可生成图片类型（推荐）
可生成数据表类型（推荐）
（→参数配置） |
Zeroclanzhang（讨论 | 贡献） 无编辑摘要 |
||
| 第5行： | 第5行： | ||
|simpleicon=Logistic Classification Learner_Pure.svg | |simpleicon=Logistic Classification Learner_Pure.svg | ||
|developer=Dev.Team-DPS | |developer=Dev.Team-DPS | ||
|productionstate= | |productionstate={{图标文件|Win}} / {{图标文件|W10}} Win10及以上可用 | ||
|productionstatedesc=在[[DecisionLinnc | V1.0]]部署 | |productionstatedesc=在[[Update:DecisionLinnc 1.0.0.8|V1.0]]部署 | ||
|nodeenglishname=[[Has english name::Logistic Classification Learner]] | |nodeenglishname=[[Has english name::Logistic Classification Learner]] | ||
|abbreviation=[[Has abbreviation::LogisticGBM]] | |abbreviation=[[Has abbreviation::LogisticGBM]] | ||
| 第20行： | 第20行： | ||
|nodeavailableplotlist=nodenoplotoutput | |nodeavailableplotlist=nodenoplotoutput | ||
|nodeavailabletablelist=Table_For_Downstream | |nodeavailabletablelist=Table_For_Downstream | ||
|nodeconfiguration=VariableList; | |nodeconfiguration=VariableList;DropMenu;Text | ||
|nodeinputports=WorkFlow-Control ➤;Transfer-Table ■ | |nodeinputports=WorkFlow-Control ➤;Transfer-Table ■ | ||
|nodeoutputports=WorkFlow-Control ➤;Transfer-Model ▶;Transfer-Table ■ | |nodeoutputports=WorkFlow-Control ➤;Transfer-Model ▶;Transfer-Table ■ | ||
| 第27行： | 第27行： | ||
|nextnode=[[LightGBM]] | |nextnode=[[LightGBM]] | ||
}} | }} | ||
==算法概述== | ==算法概述== | ||
| 第64行： | 第62行： | ||
== 参考文献 == | == 参考文献 == | ||
{{reflist}} | {{reflist}} | ||
{{Navplate AlgorithmNodeList}} | {{Navplate AlgorithmNodeList}} | ||
[[Category:分类训练器]] | [[Category:分类训练器]] | ||
2024年1月18日 (四) 17:44的版本
 | |
| 节点状态 |  /  Win10及以上可用在V1.0部署
|
|---|---|
Logistic分类器  | |
| 节点开发者 | 决策链算法研发部 (Dev.Team-DPS) |
| 节点英文名 | Logistic分类器 |
| 功能主类别 | 机器学习 |
| 英文缩写 | Logistic分类器 |
| 功能亚类别 | 分类训练器 |
| 节点类型 | 数据挖掘 |
| 开发语言 | Python |
| 节点简介 | |
在机器学习中，逻辑回归分类器（Logistic Regression Classifier）是一种常用的分类算法，用于解决二分类问题。虽然名字中包含"回归"一词，但实际上逻辑回归是一种分类算法，而不是回归算法。逻辑回归分类器的基本原理是通过将线性回归模型的输出映射到一个概率值，并使用一个阈值来进行分类决策。 该模型假设输出变量（也称为标签或类别）服从二项分布，即属于两个可能的类别之一。逻辑回归分类器使用的函数称为逻辑函数（或称为sigmoid函数），它能够将任意实数映射到0到1之间的概率值。 | |
| 端口数量与逻辑控制(PC) | |
| Input-入口 | 2个 |
| Output-出口 | 3个 |
| Loop-支持循环 | 否 |
| If/Switch-支持逻辑判断 | 否 |
| 输入输出 | |
| 相关节点 | |
| 上一节点 | CatBoost |
| 下一节点 | LightGBM |
算法概述
示例代码-Logistic分类节点
该节点使用Python编写，调用scikit-learn包[1]。以下为示例代码：
from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
X, y = load_iris(return_X_y=True)
clf = LogisticRegression(random_state=0).fit(X, y)
clf.predict(X[:2, :])
clf.predict_proba(X[:2, :])
clf.score(X, y)
拟合后，模型可以用于预测样本的类别，可以在通用预测模块实现内外部测试集的预测。
节点使用指南
- 最适用的场景：决策树可用于解决分类问题，其中目标是将数据分为不同的类别或预测数据的类别。
- 处理的数据类型：结局变量为二分类，特征变量大多数为连续型的变量。
变量配置
- 选择特征变量：作为特征进行学习的变量（X），多选。
- 选择目标变量：作为结局的二分类变量（y），单选。
参数配置
- 设置随机数：控制模型的随机性。
- 正则化参数：正则化参数是机器学习算法中的一个重要参数，用于控制模型的复杂度并防止过拟合（Overfitting）。选择适当的正则化参数对于获得良好的模型性能非常重要。默认为1.0。
注意事项
参考文献
- ↑ Kramer, Oliver (2016). "Scikit-learn". Machine learning for evolution strategies. Springer: 45--53.
查找其他类别的节点，请参考以下列表
列表
数据处理节点
数据输入
变量处理
行列处理
矩阵处理
表格处理
列表
数据分析节点
描述性统计
统计检验
方差分析
相关分析
回归分析
Lasso回归 二项式Lasso回归 泊松Lasso回归 生存状态Lasso回归 高斯PLS回归Ridge回归 二项式Ridge回归 泊松Ridge回归 生存状态Ridge回归 高斯分位回归多分类逻辑回归多项式回归广义估计方程 伽玛广义估计方程 泊松广义估计方程 负二项广义估计方程 逻辑广义估计方程 高斯广义相加模型 伽玛广义相加模型 泊松广义相加模型 负二项广义相加模型 逻辑广义相加模型 高斯广义相加混合模型 伽玛广义相加混合模型 泊松广义相加混合模型 负二项广义相加混合模型 逻辑广义相加混合模型 高斯广义线性回归 伽玛广义线性回归 泊松广义线性回归 负二项广义线性回归 逆概率加权联合标准差稳健线性回归线性回归逐步回归逻辑回归
时序分析
潜变量分析
生存分析
多元分析
综合分析
列表
机器学习节点
列表
AI和神经网络
环境检测
