江苏龙网

  1. 首页 > 生活 > >

分类型变量是否可以使用逻辑回归

谢邀。你这种情况用决策树挺好的，干嘛一定要用logistic regression？学一下决策树、随机森林吧，没比logisitic难，无论是理论还是实现。
■网友
需要把类别属性独热编码。比如性别，要变成一个二维向量，(1,0) 表示男，(0,1) 表示女等等。然后就可以用 Logistic Regression 了

■网友
不请自来，嘻嘻
话不多说，直接上干货！希望能帮到你
不知道该使用哪一种回归？
【分类型变量是否可以使用逻辑回归】 分类型变量是否可以使用逻辑回归


· 如果模型需要连续的因变量：

线性回归是最常见和最直接的使用类型。如果有一个连续的因变量，可能要首先考虑线性回归模型。然而，要注意线性回归的几个缺点，如对异常值和多重共线性很敏感。在这种情况下，最好使用更高级的线性回归变体，如岭回归、套索回归和偏最小二乘法回归(PLS)。

· 如果模型需要分类因变量：

应使用逻辑回归。这种模型最适合二元因变量。在进行更复杂的分类建模之前，最好先使用这种模型。分类变量的有些值可以根据特征放入可计数的不同组中。逻辑回归对因变量进行变换，然后使用最大似然估计法而非最小二乘法来估计参数。

· 如果模型需要计数因变量：

应使用泊松回归。计数数据往往遵循泊松分布，因此泊松回归很适合。使用泊松变量可以计算和评估发生率。

分类型变量是否可以使用逻辑回归


留言 点赞 关注
我们一起分享AI学习与发展的干货
欢迎关注全平台AI垂类自媒体 “读芯术”

■网友
谢邀。
逻辑回归处理的都是连续型变量，分类型变量需要引入虚拟变量，但虚拟变量只考虑其中一个类别与其他类别的关系，没有考虑多个类别与多个类别的这种交叉关系，决策树可以更好的处理分类型变量。实际工程中两种都可能用到，主要看解释性，计算复杂度以及效果。

■网友
简单点回答，判别问题Logistic自变量加入分类变量是完全没问题的，相当于截距的影响。但是题主所说的“客户分类”是不是判别问题还是要先想清楚。对于Y ＝ kx ＋b这种形式，我们管有Y且Y连续的叫做回归，Y离散的叫做判别，没Y的叫做聚类。“分类”这个词我个人认为有歧义，建议以后换个说法。
■网友
分类型变量可以用逻辑回归，但是需要先预处理，比如二值化。
■网友
题主问的是如何对用户进行分类。这里涉及到连续性变量和离散变量。同时貌似没有给出响应变量，应该是无监督学习。所以决策树随机森林这些算法都是不能用的。另一个方面如果要聚类的话，如何在部分变量是分类型的情形下定义距离函数？求大神指点。
■网友
分类还有lda，qda，knn都轮一边，用cv看所有方法哪个更好？这种结果就放心了吧2333333
■网友
属性变量可以进行逻辑回归，如属性变量可以线性回归一样
■网友
首先要明确是进行有监督的还是无监督的数据挖掘（如果分类预先设定好就是有监督的）。如果是有监督的，早就已经设定好客户的类别，可以使用决策树（C5.0，CART等），也可以用限制选择模型回归的方法。如果是无监督的，可以根据客户的特征进行聚类，将特征相似的客户聚为一类，再进行下一步分析。


    推荐阅读


    上一篇：为啥武汉大学出了这么多互联网人才

    下一篇：求一份学习生物信息学的书单