登录社区云，与社区用户共同成长
邀请您加入社区
随着消费信贷业务的快速发展，用户信用违约风险已成为金融机构风控的核心挑战。本项目基于信贷用户数据集，通过数据清洗、多维度探索性分析（EDA）与机器学习建模，构建用户信用违约预测模型，为信贷风控策略优化提供数据支撑。
本文详细介绍了如何使用Python和NumPy从零实现逻辑回归模型，涵盖数学公式推导、向量化编程技巧及实战避坑指南。通过对比for循环与向量化实现的性能差异，帮助开发者掌握高效计算的核心方法，为后续学习神经网络和深度学习奠定坚实基础。
直接运行就能出结果的泰坦尼克号生存预测代码包，含清洗数据的DataProcess.py、逻辑回归LogisticRegression.py、ID3决策树DecisionTree.py、集成调用随机森林的Main.py，以及配套train.csv和test.csv标准Kaggle数据。运行后自动生成LR_submission.csv、DT_submission.csv、RF_submission.c
一套开箱即用的有向复杂网络链路预测Python实现，包含共同邻居（CN）、优先连接（PA）、随机游走重启（RWR）和逻辑回归（LR）四种主流算法。每个算法独立成脚本，命名直观（如real_CN_prediction.py），支持邻接矩阵或边列表输入，输出节点对预测得分及排序结果，便于横向对比与AUC评估。配套提供AUC_calculation.py用于效果验证，Max_matching.py辅助处
提供20个常用机器学习算法的独立可执行Python脚本，覆盖线性回归、逻辑回归、SVM、K-Means、PCA、BP神经网络、异常检测等模型。每个算法对应一个完整模块，内置标准数据文件（如data.csv、bird.mat、data_digits.mat等）、预测样本（predict.csv）和标签文件（class_y.csv），运行后自动输出带编号的可视化结果图，例如LogisticRegres
直接运行就能用的信贷评分卡Python工具，专为风控建模入门和轻量级验证设计。支持加载标准训练数据（cs-training.csv）和测试数据（cs-test.csv），内置完整特征分析流程：自动计算每个变量的信息值（IV），按阈值筛选有效特征；对连续型和分类型变量统一做WOE编码，保证逻辑回归系数具备业务可解释性；最终输出标准化评分公式，只需输入客户原始字段值（如年龄、收入、历史逾期次数等），即
系统分为登录注册模块，用户模块、管理员模块，各个模块的具体功能如下：登录注册模块，未注册的用户，在登录之前必须完成账号注册，在注册时，会验证用户名、密码、邮箱格式是否输入正确，必须按照给定格式进行输入，登录时需输入图形验证码。用户模块，主要有AES密钥列表查看、加密文本管理、加密文本发送、我的密文解密、系统包括用户登录、管理员信息管理、用户权限管理、用户信息管理、加密密钥管理、登录日志管理等功能模
本文基于AI宏观预测模型、机器学习、事件驱动模型、特征工程及多因子决策引擎等人工智能分析框架，结合美国6月非农就业（NFP）、美元指数、美联储政策预期及全球黄金需求等核心变量，解析黄金单日上涨逾2%的底层驱动逻辑，并探讨AI模型如何重构黄金市场未来走势。
本文详细介绍了如何用Python从零实现逻辑回归算法，重点对比了梯度下降的for循环与向量化两种实现方式的性能差异。通过NumPy实战演示，帮助读者深入理解逻辑回归的数学原理与编码实践，提升机器学习算法的实现效率。
本文详细介绍了如何使用Python和NumPy从零实现逻辑回归分类器，涵盖数学原理、梯度下降优化和向量化加速技巧。通过猫图识别实战案例，展示如何应用逻辑回归解决实际问题，并探讨从逻辑回归到神经网络的进阶路径。适合机器学习初学者和希望深入理解算法本质的开发者。
本文深入探讨了逻辑回归模型中阈值优化的实战技巧，通过Python代码演示如何超越默认的0.5阈值，根据业务需求调整分类边界。内容涵盖F1分数最大化、业务约束转化、多目标优化等实用方法，帮助数据科学家在内容审核等场景中实现更精准的二元分类决策。
直接上手的信用卡欺诈识别小项目，用逻辑回归做二分类判断，输入是creditcard.csv真实交易数据，输出是每笔交易是否为欺诈的预测结果。整个流程跑通只需安装pandas、numpy、scikit-learn三个基础库，运行Creditcard_fraud_detection.py就能看到标准化处理、特征筛选、模型训练、阈值调优、混淆矩阵和召回率等关键指标。特别针对正负样本极度不均衡（欺诈样本仅
直接上手就能跑的金融风控评分卡实现方案，用Python完成从原始信贷数据到可部署评分卡的全流程。包含训练集和测试集两个CSV文件，字段涵盖客户年龄、收入、负债比、逾期次数等典型风控变量；核心代码在Jupyter Notebook中分步呈现：缺失值处理、异常值识别、连续变量分箱、WOE转换、IV值计算筛选有效特征、逻辑回归建模、模型稳定性检验（PSI）、KS曲线与ROC分析、最终评分映射公式推导。配
p059基于Python的王者荣耀战队的数据分析系统设计与实现_flask+hadoop+spider2(设计源文件+万字报告+讲解)（支持资料、图片参考_降重降ai）管理员进行爬取数据后，点击主页面右上角的看板，可以查看到系统简介、比赛信息总数、赛季统计、阶段统计、主队积分统计、客队积分统计、比赛信息等实时的分析图进行可视化管理。管理员进入主页面，主要功能包括对首页、比赛信息管理、系统管理、我的
逻辑回归是二分类任务中最基础且广泛应用的线性模型，其核心在于将线性组合映射为概率输出，通过sigmoid函数实现分类决策。理解其原理需掌握log-odds、边际效应与正则化机制，技术价值体现在高可解释性、训练高效性及与业务逻辑强对齐能力。典型应用场景包括用户流失预警、金融风控和医疗风险筛查等需要透明决策依据的领域。本文聚焦逻辑回归的Python实现与可解释性落地，深入剖析系数含义、决策边界可视化、
逻辑回归是二分类任务的基石模型，其核心在于sigmoid映射、交叉熵损失与梯度下降优化。理解其数学原理需穿透sklearn等封装，直面数值稳定性挑战——如exp溢出导致sigmoid崩溃、log(0)引发NaN、MSE梯度消失等问题。本文聚焦纯Python从零实现，详解防溢出sigmoid分段计算、交叉熵损失的梯度简洁性（dL/dz = p−y）、特征标准化对参数更新的必要性，以及学习率衰减与梯度
一、逻辑回归在 机器学习之线性回归 中，我们可使用梯度下降的方法得到一个映射函数hΘ(X)来去贴近样本点，这个函数是对连续值的一个预测。而逻辑回归是解决分类问题的一个算法，我们可以通过这个算法得到一个映射函数f：X-> y，其中X为特征向量，X 为 { x0 x1 x2 x3 x4 … xn }，y为预测的结果。在逻辑回归这里，标签y为一个离散的值。二、判定边界当将训练集的样本以其各个特征为坐标轴
正如我们在讲座中看到的，通过使用高阶多项式项(例如:f(x)= g(x0^2 +x1-1))我们可以得到更复杂的非线性边界。(您将在课程中学习如何进一步将这些参数拟合到数据中)让我们试着通过绘制决策边界来理解这个训练过的模型预测的是什么。标签y = 1的数据点显示为红色,标记为y=0的数据点用蓝色圆圈表示。我们来看看它的图形是怎样的。我们先画出-3 +x0 +x 1= 0，也就是x1 =3- x0
本篇博文主要介绍了机器学习里面的逻辑回归，并给出了相关的计算过程，最后使用主流的机器学习库sklearn来实现逻辑回归。机器学习(手推公式版)系列持续更新中...
逻辑回归（LogisticRegression）是机器学习中的一种分类模型，逻辑回归是一种分类算法，虽然名字中带有回归，但是它与回归之间有一定的联系。由于算法的简单和高效，在实际中应用非常广泛。
注意变量X和y不是标量值，而是形状分别为(m, n)和(m，)的矩阵，其中n是特征的数量，m是训练样例的数量。您可以看到成本函数的行为与预期一致，并且成本w = np.array([- 4,1,1])确实比w=np.array[-3,1,1]的代价高。在之前的实验中，您绘制了b = -3, w0 = 1, w1 = 1的决策边界。假设你想知道b = -4, w0 = 1, w1 = 1，或者w =
本文遗留问题：（1）案例分析未完成。（2）分类模型评价指标实验需回顾。目录前言一、对数几率回归模型1、分类任务（1）分类任务概述（2）两类分类任务2、对数几率回归模型（1）Sigmoid 函数（2）对数几率回归模型二、对数几率回归的损失函数1、0/1损失2、交叉熵损失3、对数几率回归模型的目标函数（1）对数几率回归模型的目标函数（2）对数几率回归中正则化的必要性三、对数几率回归的优化求解1、梯度下
凌云时刻 · 技术导读：机器学习算法中有一个重要环节就是评判算法的好坏，我们在之间的笔记中讲过多种评价回归算法的评测标准，比如均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（M...
下一步，你可以尝试用它解决更多问题，或者探索如何用特征工程来提升它的性能，甚至可以将它作为基准模型，与更复杂的模型（如随机森林、XGBoost）进行对比。我们的目标是找到一组最优的参数\theta，使得模型对训练数据的预测概率最大。它的任务是根据输入的特征，预测一个样本属于某个类别的概率。简单来说，我们会定义一个“损失函数”来衡量模型预测的好坏，然后通过梯度下降等优化算法，不断调整参数\theta
One-Vs-Rest 逻辑回归 = 把多分类问题转化为多个二分类问题，简单、直观，适用于小类别场景，是机器学习入门多分类的首选思路之一。
【代码】吴恩达机器学习课后题-02逻辑回归。
分类问题中，默认的0.5阈值并不是“黄金标准”。针对具体业务目标（是否强调召回率/精确率），我们可以：自定义分类阈值，寻找最佳的性能平衡点；深度解读 Precision、Recall、F1-score，避免被“Accuracy”误导；借助混淆矩阵，全景化理解模型的预测行为；结合快速输出各类指标。
逻辑回归
——逻辑回归
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
亚马逊云科技技术品牌专区
DAMO开发者矩阵
