关键信息
- 分类
- 数学、日期与金融
- 输入类型
- textarea, checkbox, text, number
- 输出类型
- json
- 样本覆盖
- 4
- 支持 API
- Yes
概览
逻辑回归计算器是一款专业的在线数学工具，旨在通过梯度下降算法拟合二分类模型。用户只需输入包含预测变量和二元目标值的 CSV 数据，即可快速计算模型准确率并预测特定输入下的类别概率，适用于数据分析、统计建模和机器学习初学者。
适用场景
- •需要根据一组连续或离散的自变量预测二元结果（如是/否、成功/失败）时。
- •在没有复杂编程环境的情况下，快速验证逻辑回归模型的拟合效果。
- •需要通过调整学习率和迭代次数来观察梯度下降算法的收敛过程。
工作原理
- •用户输入 CSV 格式的训练数据，其中最后一列必须为二元目标值（0 或 1）。
- •设置学习率、迭代次数和分类阈值等参数，以控制梯度下降的优化过程。
- •系统执行逻辑回归算法，计算权重参数并评估模型在训练集上的准确率。
- •如果提供了预测值，计算器将输出该输入对应的预测类别及概率。
使用场景
医疗诊断预测：根据患者的各项生理指标（如血压、血糖）预测患病风险。
营销响应分析：基于用户的历史行为数据预测其是否会购买特定产品。
信用风险评估：利用申请人的财务数据判断其贷款违约的可能性。
用户案例
1. 基础二分类模型拟合
数据分析初学者- 背景原因
- 正在学习机器学习基础，想通过一组简单的坐标数据理解逻辑回归的分类原理。
- 解决问题
- 如何根据已有的 (x1, x2) 坐标点预测其所属的 0 或 1 类别。
- 如何使用
- 在 CSV 数据框中输入训练样本，并在预测值框中输入待测坐标点 2.5, 2.5。
- 示例配置
-
学习率 0.2，迭代次数 3000，分类阈值 0.5。 - 效果
- 模型准确率达到 100%，并成功预测出该坐标点属于类别 1。
2. 考试通过概率预测
教育研究员- 背景原因
- 收集了学生平时的出勤率和作业分数，希望预测期末考试是否能及格。
- 解决问题
- 建立一个简单的预测模型，评估特定表现的学生及格的可能性。
- 如何使用
- 上传包含“出勤率,作业分,及格状态”的 CSV 数据，输入待预测学生的指标数据。
- 示例配置
-
学习率 0.05，迭代次数 5000，小数位数 4。 - 效果
- 获得模型权重参数，并得出该学生有 85% 的概率通过考试，判定为类别 1。
用 Samples 测试
csv, hash相关专题
常见问题
CSV 数据的格式有什么要求？
预测变量在前，二元目标值（0 或 1）在最后一列，支持包含表头。
学习率设置多少比较合适？
默认值为 0.1，若模型不收敛可尝试调小，若收敛过慢可适当调大。
什么是分类阈值？
它是判定类别的临界点，默认 0.5 表示概率大于 0.5 则判定为类别 1。
预测值应该如何输入？
以逗号分隔的数值序列，顺序需与训练数据中的预测变量一致。
该工具支持多分类吗？
目前仅支持二分类逻辑回归，目标值必须为 0 或 1。