如何解决在不知道阈值的情况下，逻辑回归如何确定“最佳”拟合？
我意识到标题本身没有多大意义，因为“阈值”只是我们在学习曲线上选择的一个点，所以如果不先确定曲线就不可能知道这个点，但希望你明白我在下面问什么。
我已经有一段时间没有研究逻辑回归背后的数学了，我有一个问题希望有人能帮助我。
假设我们正在训练一个 LR 模型来预测基于一个输入/特征的输出。那么逻辑回归可以调整两件事：
-
“偏差”，即 sigmoid 的水平移动：
-
以及输入系数，它决定了sigmoid的锐度
一旦模型学习这些参数，我们就可以然后确定我们想要选择哪个阈值进行分类。我们可以查看 ROC 并选择一个受我们的任务影响的值，例如如果我们正在诊断疾病，希望减少误报的频率，即使以更多的误报为代价。
我的问题是：在不知道我们将选择什么阈值的情况下，即在不知道我们认为“重要”的情况下，学习如何确定什么是“最佳”拟合。我认为答案在于，像往常一样，我们只是试图最小化损失，但是拥有一个不的损失函数是否有意义？更关心一种类型的错误分类而不是另一种？
如果数学有助于澄清，那也很好，但我正在寻找一些直觉。
谢谢！
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。
