直观理解机器学习中的逻辑回归

技术Flow

合集 · 直观理解机器学习和深度学习 (18)

  1. 5:27
    直观理解正态分布(PDF, CDF, PPF)
  2. 4:07
    从数值和视觉上理解贝叶斯定理
  3. 4:06
    论文中常见基础数学符号
  4. 4:05
    论文中常见求和与乘积数学符号
  5. 3:23
    直观理解机器学习中的线性回归
  6. 3:28
    直观理解皮尔逊相关系数（r）和决定系数（r平方）
  7. 3:29
    直观理解机器学习中的逻辑回归
  8. 4:07
    直观理解机器学习中的神经网络
  9. 21:02
    大型语言模型中的注意力机制图解（中文配音）
  10. 31:51
    【中文配音】Mamba：比Transformers更好更快的模型
  11. 44:46
    (中文配音)直观解释所有机器学习模型
  12. 22:23
    (流畅中文配音)直观解释所有机器学习模型
  13. 7:54
    （中文配音）制作令人印象深刻的可视化图表
  14. 26:52
    （流畅中文配音）符合生物机制的学习算法
  15. 26:52
    （英语原声）符合生物机制的学习算法
  16. 2:14
    K-均值聚类动画演示
  17. 25:56
    为什么LoRA能省下训练资源？一个宝藏比喻讲透低秩适配
  18. 28:36
    本世纪被引用最多的论文是一篇出色的巧妙之作
Description 
本视频为个人学习所收集，为方便快速理解，通过chatgpt将视频原英文配音翻译校准后转成中文配音，原视频地址为：https://www.youtube.com/watch?v=EKm0spFxFG4。

欢迎来到本期视频，我们将深入探讨逻辑回归——一种强大的统计技术，它能够帮助我们预测事件发生的概率。在这个视频中，我们会从基础开始，介绍逻辑回归的工作原理，以及如何使用它来处理二元分类问题。

首先，我们会解释逻辑回归如何将输入数据映射到0和1之间的输出，这代表了假或真值。然后，我们会展示如何利用逻辑函数——一个S形曲线——来拟合数据，并预测特定条件下事件发生的可能性。例如，我们可以通过逻辑回归来估计在给定降雨量的情况下，洪水发生的概率。

接下来，我们会讨论如何通过设置阈值来决定预测结果。我们会看到，通过调整阈值，我们可以更灵活地进行预测，从而适应不同的风险偏好。

此外，我们还会介绍最大似然估计的概念，这是一种找到最佳参数（即beta系数）的方法，使得我们的模型能够最好地拟合数据。我们会简要提及梯度下降和牛顿法等优化技术，这些技术在寻找最佳参数时非常有用。

最后，我们会提到如何扩展逻辑回归到多维情况，以及在后续视频中，我们将讨论如何处理假阳性和假阴性，以及如何使用混淆矩阵来跟踪预测性能。

如果你对统计学、机器学习或数据分析感兴趣，那么这个视频绝对不容错过。让我们一起探索逻辑回归的奥秘，解锁数据背后的模式和趋势。别忘了订阅我们的频道，开启小铃铛，以便不错过我们的每一期精彩内容。现在就点击播放，开始我们的学习之旅吧！

Comments

原理老实人 2025-03-03

我想问一下， 这个多分类的话呢？ 怎么多特征 去预测？

♥ 1 ↩ 5

喵星人zimi 2024-06-08

支持！拯救大学生[保卫萝卜_哇][保卫萝卜_哇][保卫萝卜_哇]

糖炒栗子烫爪爪 2024-04-09

请问这个图是怎么做的

↩ 1