1回答
我正在阅读并学习不同的ML方法是如何在不同类型的数据上工作的，但是我已经遇到了一个数据集，我不确定ML方法(例如决策树、朴素贝叶斯和KNN )将如何在下面的数据集上执行(很抱歉，我找不到更清晰的图像)。我非常感激每个ML方法如何将这些数据集与模型相匹配，以及它们各自对这些特定数据集的优缺点。📷📷
浏览 0提问于2021-10-10得票数 1
我无法想象我必须在多功能数据中观察到什么样的“趋势”，才能说'Logistic回归在这里会很好‘。例如，如果我只有一个特性，如果数据类似，所有负数据都是0类，所有正数据都是1类，那么我可以清楚地说，Logistic回归在这里工作得很好。那么，我需要对数据进行什么样的“分析”(多功能)才能决定Logistic回归是否有效？
浏览 0提问于2020-07-19得票数 1
回答已采纳
有关数据集的信息：所有的特征都是数值。稳健标量Logistic回归标准标量- PCA (解释83%方差的n_compo
浏览 0提问于2021-05-08得票数 1
1回答
我想学习如何在R中进行非线性回归。我设法学习了nls函数的基础知识，但我们如何知道在非线性回归中使用好的初始参数是至关重要的。我试图弄清楚selfStart和getInitial函数是如何工作的，但失败了。文档非常稀缺，用处不是很大。我想通过一个简单的模拟数据来学习这些功能。我模拟了逻辑模型中的数据： n<-100 #Number of observations
d<-
浏览 47提问于2020-04-02得票数 0
1回答
我试图创建一个非线性的logistic回归，即使用scikit-learn的多项式logistic回归。但我找不到如何定义多项式度的方法。有人试过吗？非常感谢!
浏览 2提问于2019-05-01得票数 9
回答已采纳
复制数据框Z中的列，制作虚拟对象，尝试预测Click，一个0/1变量。训练和测试的大小平衡。我哪里错了？
浏览 0提问于2020-07-16得票数 0
2回答
我知道线性回归做“回归”，logistic回归做“分类”。当我们实现这两种方法时，我能注意到的唯一不同是损失函数:线性回归使用均方误差这样的损失函数，logistic使用交叉熵。还有什么我不知道的区别吗？
浏览 0提问于2018-09-14得票数 1
回答已采纳
我们知道神经网络和其他学习方法在某些非线性分类问题中相对于logistic回归有更好的性能。但是，我们也知道，逻辑回归可以将类与一条可以弯曲的直线分开，只要我们添加更多的预测因子，即给定的预测器的平方、立方体等(仍然被认为是线性决策边界)。所以我的问题是，理论上我们能通过logistic回归来解决任何分类问题吗?还是我没有意识到其他非线性学习方法对某些分类问题是强
浏览 0提问于2020-01-07得票数 2
回答已采纳
1回答
当类是非线性可分的时，下列哪一种方法表现得更好？选择正确的一个:-随机林最重要特征的线性回归
Trail :我认为随机森林和K近邻分类是这里唯一的非线性分类器。
浏览 0提问于2021-01-10得票数 0
1回答
我有一个非常基本的问题，试图回答为什么MatLab中的以下函数不能适当地将给定的数据与逻辑曲线相匹配，给出一个正确的方程。解决这个问题的方法可能很简单，但我对MatLab曲线拟合工具箱完全不熟悉。我的代码如下：%CREATEFIT1(DOSE,RESPONSE)
% Create a
浏览 14提问于2022-09-09得票数 0
1回答
是否可以使用XGBoost回归器进行非线性回归？( a)是否有可能像在CNN中那样进行多项式回归，其中XGBoost通过生成n个多项式函数来逼近数据？( b)如果a)通常是不可能的，那么是否可以用它<em
浏览 0提问于2021-12-04得票数 5
1回答
有两个宽度为thk、内径为rad的半圆，由sep分隔，如图所示(红色为-1，蓝色为+ 1)。上半圆的中心与下半圆的边缘的中间对齐。当sep >=为0时，此任务是线性可分的，而当sep <0时，则不是线性可分的。设置rad = 10，thk =5，sep =5。描述问题的图： ? 我使用逻辑回归将数据集分成半圆。当sep为负值时，logistic回归的结果不是最好
浏览 26提问于2020-07-07得票数 0
回答已采纳
我试图探索使用GBM与h2o一起解决分类问题，以取代logistic回归(GLM)。我的数据中的非线性和交互作用使我认为GBM更适合。我已经运行了一个基线GBM (见下文)，并将AUC与logistic回归的AUC进行了比较。THe GBM性能要好得多。在经典的线性logistic回归中，我们可以看到每个预测因子(x)对结果变量(y)的方向和影响。
现在，我想用同
浏览 5提问于2017-12-02得票数 22
1回答
我有一个具有连续自变量和二元相依关系的数据。因此，我尝试应用逻辑回归对这些数据进行分析。然而，与经典的S形过渡相比，我有两个过渡。下面是我的意思的一个例子 library(ggplot)
classic.data = data.frame(x = seq(from = 0, by = 0.5, length两个图上的蓝线-这是glm的结果，而红线是我想要的。有没有办法对这些数
浏览 16提问于2020-09-17得票数 1
回答已采纳
1回答
我试图应用一种方法来对抗所有的逻辑回归： loss1 = np.sum( np.log(1 + np.exp(s1))-p1*s1 )dt是我的特征
w1
浏览 0提问于2018-09-24得票数 1
回答已采纳
在这里提供的sklearn包- 中，我们看到了linear_model模块，它很好地解决了logistic regression ML问题。我成功地为数据集实现了这一点，其中的决策边界可以用一条直线分隔。
我试着搜索这个库(在上面的guithub链接中)，如果它包含任何相关的模块，但不能。有没有办法处理sklearn中的非线性问题？(除了聚类算法)还有没有其他库可以帮助非线性回归？欢迎提出建议。
浏览 4提问于2017-03-08得票数 3
我知道，常用的线性回归模型，如Lasso或Logistic回归，在实践中得到了广泛的应用，因为它们表现得相当好，而且是有效的，而且可解释。据我所知，这些模型学习$X$和$y$之间非线性关系的唯一方法是通过基函数$\phi(X)$ (在科学知识-学习文档中总结)将非线性变换应用于$X$。我想知道这种方法是否真的用于实际的问题，在那里我们通常没有关于如何设计$\phi$的任何先前的信息
浏览 0提问于2018-01-22得票数 0
回答已采纳
1回答
辍学分类
、、
我有一组招聘过程中的数据，其中包含12列分类变量(从性别等二元变量到申请人所在学校的名称等非二进制变量)。最后一列(13)包含“是”或“否”值，该值指示人员是否仍在招聘过程中。这里的想法是建立一个模型，该模型可以预测(相当好的)人员在任何特定阶段退出招聘过程的可能性(有许多阶段，这个领域是所捕获的12个自变量之一)。我正在考虑使用logistic回归来创建模型，但是所有的预测变量都是绝对的，我听说，这对于lo
浏览 0提问于2017-08-19得票数 0
训练和测试数据的阳性率约为1%，但模型预测的阳性率仅为0.1%左右。我试过校准，但没什么改进。我也不想选择阈值，因为最终目标是输出概率。我想要的是模型有很多分类阳性，类似于实际数据中的阳性数。
浏览 0提问于2020-01-31得票数 5
云服务器
ICP备案
实时音视频
对象存储
即时通信 IM
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号