我们在上一篇文章中给大家介绍了机器学习中的回归算法的部分知识，其实机器学习中的回归算法的知识还是有很多的，我们在这篇文章中继续为大家介绍机器学习中的回归算法剩余部分知识，希望能够帮助到大家更好地了解人工智能。

首先我们说一下逻辑回归，逻辑回归是一种与线性回归非常类似的算法，但是，从本质上讲，线型回归处理的问题类型与逻辑回归不一致。线性回归处理的是数值问题，也就是最后预测出的结果是数字，例如房价。而逻辑回归属于分类算法，也就是说，逻辑回归预测结果是离散的分类。那么如何实现这种算法呢？在实现方面，逻辑回归只是对对线性回归的计算结果加上了一个Sigmoid函数，将数值结果转化为了0到1之间的概率(Sigmoid函数的图像一般来说并不直观，你只需要理解对数值越大，函数越逼近1，数值越小，函数越逼近0)，接着我们根据这个概率可以做预测，例如概率大于0.5，则这封邮件就是垃圾邮件，或者肿瘤是否是恶性的等等。从直观上来说，逻辑回归是画出了一条分类线。

而逻辑回归的适用条件有四点，第一点就是因变量为二分类的分类变量或某事件的发生率，并且是数值型变量。但是需要注意，重复计数现象指标不适用于逻辑回归。第二点就是残差和因变量都要服从二项分布。二项分布对应的是分类变量，所以不是正态分布，进而不是用最小二乘法，而是最大似然法来解决方程估计和检验问题。第三点就是自变量和逻辑概率是线性关系。第四点就是各观测对象间相互独立。而逻辑回归算法划出的分类线基本都是线性的。当然也有划出非线性分类线的逻辑回归，不过那样的模型在处理数据量较大的时候效率会很低，这意味着当两类之间的界线不是线性时，逻辑回归的表达能力就不足。

我们在这篇文章中介绍了机器学习中的回归算法的知识，其实机器学习是人工智能中最重要的内容，而算法在机器学习中也是一个十分重要的内容，我们只有了解了这些算法知识才能够做好机器学习，这样才能够为人工智能奠定基础。想了解更多的人工智能的知识，请持续关注我们。