logistic(logistic函数)

一、logistic回归分析的优缺点

一、logistic回归又称logistic回归分析，是一种广义的线性回归分析模型，常用于数据挖掘，疾病自动诊断，经济预测等领域。

二、优点：

1.实现简单，广泛的应用于工业问题上；

2.分类时计算量非常小，速度很快，存储资源低；

3.便利的观测样本概率分数；

4.对逻辑回归而言，多重共线性并不是问题，它可以结合L2正则化来解决该问题；

5.计算代价不高，易于理解和实现。

三、缺点：

1.当特征空间很大时，逻辑回归的性能不是很好；

2.容易欠拟合，一般准确度不太高；

3.不能很好地处理大量多类特征或变量；

4.只能处理两分类问题(在此基础上衍生出来的softmax可以用于多分类)，且必须线性可分；

5.对于非线性特征，需要进行转换。

二、logistic回归结果解读

logistic回归与多重线性回归实际上有很多相同之处，最大的区别就在于他们的因变量不同，其他的基本都差不多，正是因为如此，这两种回归可以归于同一个家族，即广义线性模型（generalizedlinearmodel）。这一家族中的模型形式基本上都差不多，不同的就是因变量不同，如果是连续的，就是多重线性回归，如果是二项分布，就是logistic回归，如果是poisson分布，就是poisson回归，如果是负二项分布，就是负二项回归，等等。只要注意区分它们的因变量就可以了。

三、logit和logistic模型的区别

区别如下；

一、意思不同

logistic回归是概率模型，非线性表达式，其线性表达式即logit回归。logistic回归计算的是P，而logit回归计算的是logit(p)。logistic属于概率型非线性回归，是研究二分类(可扩展到多分类)观察结果与一些影响因素之间关系的一种多变量分析方法。

二、参照不同

Logit是把其中的一种选择作为另一种选择的参照，而Logistic是把一件事不发生作为这件事发生的参照。模型上完全一致。只不过由于Logit选取了一种选择项作为参照，因此在模型中的一个参数对应两个变量，分别对应两种选择项。而Logistic由于参照对象是事件的不发生，即事件自身，因此一个参数只对应一个变量。但是本质完全一样。

三、模式不同

Logit模型的左侧是Odds的对数，而Logistic模型的左侧是概率。

Logit模型的右侧是一个线性结构，而Logistic模型的右侧是非线性的。