大数据挖掘与应用 第4章 逻辑回归方法.pptVIP

混淆矩阵的字段设置如下图，它是一个可视化工具。原数据的标签列列名选择的是“y”预测结果的“标签列”与“详细列”这两个参数不能共存，如指定阈值，则应自己命名预测结果的详细列列名，并指定正样本的标签值。 预测组件的实验结果如下图，预测结果展示的是预测集进行预测得到不同标签的概率，如第一行，样本真实标签为‘0’，预测标签为‘0’的概率为0.964，为‘1’的概率为0.036，因此，取0.964，预测该样本标签为‘0’。 从混淆矩阵的统计信息里可以评估模型的准确率等参数。 从模型中可以查看训练好的逻辑回归二分类模型 逻辑回归多分类流程图如下所示，其实也可用该组件进行二分类，但此处既然是多分类，选择一列有几个不同的值作为标签列，“previous”列满足，该列因此我们假设该列为标签列。 4.4.2 多分类逻辑回归应用实例 其中逻辑回归多分类的字段设置和参数设置分别为如下图所示，除了将目标列改为“previous”列，其他与逻辑回归二分类的设置一致，这里不再赘述。 预测组件得到的结果为 混淆矩阵中的标签统计信息为 从模型中查看训练好的逻辑回归多分类模型 回归指研究一组随机变量(Y1，Y2 ，…，Yi)和另一组(X1，X2，…，Xk)变量之间关系的统计分析方法。 线性回归(Linear Regression)是利用称为线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模的一种回归