/%E5%88%86%E7%B1%BB/ Recent content in 分类 on 老张开工了 Hugo zh-cn Wed, 15 Jan 2025 00:00:00 +0000 /posts/2025/01/classification-algorithms/ Wed, 15 Jan 2025 00:00:00 +0000 /posts/2025/01/classification-algorithms/ 分类是机器学习中最常见的问题类型之一。不管是识别垃圾邮件、诊断疾病、检测欺诈交易还是人脸识别，背后都是分类算法在起作用。本文将深入介绍几种最核心的分类算法，从原理到实战带你全面掌握。 分类问题概述 分类问题的目标是根据输入特征预测一个离散的类别标签。根据类别数量分为： 二分类：只有两个类别，如垃圾邮件/非垃圾邮件 多分类：有三个或以上类别，如手写数字识别（0-9） 多标签分类：每个样本可以属于多个类别，如图片标签 本文我们将重点介绍二分类和多分类场景。 逻辑回归 逻辑回归虽然名字里有"回归"，但它实际上是一种分类算法。它通过 Sigmoid 函数将线性回归的输出映射到 0 到 1 之间的概率值。 Sigmoid 函数 Sigmoid 函数的数学形式： $$\sigma(z) = \frac{1}{1 + e^{-z}}$$ 它把任意实数压缩到 (0, 1) 区间，非常适合表示概率。 import numpy as np import matplotlib.pyplot as plt def sigmoid(z): return 1 / (1 + np.exp(-z)) z = np.linspace(-10, 10, 100) s = sigmoid(z) plt.figure(figsize=(10, 6)) plt.plot(z, s, 'b-', linewidth=2) plt.axhline(y=0.5, color='gray', linestyle='--', alpha=0.5) plt.axvline(x=0, color='gray', linestyle='--', alpha=0.5) plt.xlabel('z') plt.ylabel('σ(z)') plt.title('Sigmoid 函数') plt.