神经网络挖掘模型与logistic回归挖掘模型的不同点有哪些?

逻辑回归有点像线性回归,但是它是当因变量不是数字时使用。比如说因变量是布尔变量(如是/否响应),这时候就需要逻辑回归。它称为回归,但实际上是是根据回归进行分类,它将因变量分类为两个类中的任何一个。

网页链接如上所述,逻辑回归用于预测二进制输出。例如,如果信用卡公司打算建立一个模型来决定是否向客户发放信用卡,它将模拟客户是否需要这张或者能够承担这张信用卡。

它给出了事件发生概率的对数,以记录未发生事件的概率。最后,它根据任一类的较高概率对变量进行分类。

而神经网络(NeutralNetwork)是通过数学算法来模仿人脑思维的,它是数据挖掘中机器学习的典型代表。

神经网络是人脑的抽象计算模型,我们知道人脑中有数以百亿个神经元(人脑处理信息的微单元),这些神经元之间相互连接,是的人的大脑产生精密的逻辑思维。

而数据挖掘中的“神经网络”也是由大量并行分布的人工神经元(微处理单元)组成的,它有通过调整连接强度从经验知识中进行学习的能力,并可以将这些知识进行应用。

神经网络就像是一个爱学习的孩子,您教她的知识她是不会忘记而且会学以致用的。我们把学习集(LearningSet)中的每个输入加到神经网络中,并告诉神经网络输出应该是什么分类。

在全部学习集都运行完成之后,神经网络就根据这些例子总结出她自己的想法,到底她是怎么归纳的就是一个黑盒了。

之后我们就可以把测试集(TestingSet)中的测试例子用神经网络来分别作测试,如果测试通过(比如80%或90%的正确率),那么

参考链接

评论可见,请评论后查看内容,谢谢!!!评论后请刷新页面。