[发明专利]一种逻辑回归模型的构建方法及系统

说明书

本发明提供了一种逻辑回归模型的构建方法及系统，其中，所述方法包括：获取训练数据集和所述训练数据集对应的分类数据，其中，所述训练数据集中包括多个特征数据；基于预设逻辑函数和所述训练数据集以及所述分类数据，建立待评估函数；在所述待评估函数取最小值时，将所述待评估函数中的自变量作为构建的逻辑回归模型。本申请提供的技术方案，能够提高逻辑回归模型的精度。

技术领域

本发明涉及数据建模技术领域，特别涉及一种逻辑回归模型的构建方法及系统。

背景技术

传统数据挖掘对象多是结构化、单一对象的小数据集，挖掘更侧重根据先验知识预先人工建立模型，然后依据既定模型进行分析。对于非结构化、多源异构的大数据集的分析，往往缺乏先验知识，很难建立显式的数学模型。

目前，为了实现对Spark、Ruby和MapReduce等大数据计算引擎云端无缝集成，并研制高性能通用超级计算引擎系统，往往需要依托于多种数学模型。在这其中，逻辑回归模型由于能够实现数据的分类，越来越受到人们的青睐。然而，当前的逻辑回归模型的精度均不高，无法对数据进行准确分类。

发明内容

本申请的目的在于提供一种逻辑回归模型的构建方法及系统，能够提高逻辑回归模型的精度。

为实现上述目的，本申请提供一种逻辑回归模型的构建方法，所述方法包括：获取训练数据集和所述训练数据集对应的分类数据，其中，所述训练数据集中包括多个特征数据；基于预设逻辑函数和所述训练数据集以及所述分类数据，建立待评估函数；在所述待评估函数取最小值时，将所述待评估函数中的自变量作为构建的逻辑回归模型。

进一步地，建立待评估函数包括：在所述分类数据的取值为1或0的情况下，基于预设逻辑函数计算所述训练数据集中单个特征数据的后验概率；根据所述训练数据集和所述分类数据，计算所述后验概率的极大似然函数；将所述极大似然函数取对数，并将取对数后的结果作为建立的所述待评估函数。

进一步地，按照以下公式计算所述训练数据集中单个特征数据的后验概率：

p(y|x,θ)＝(h_θ(x))^y(1-h_θ(x))^1-y

其中，p(y|x,θ)表示所述后验概率，h_θ(x)表示所述预设逻辑函数，θ表示待构建的逻辑回归模型的自变量，x表示训练数据集中的特征数据，y表示所述分类数据，其中，y取值1或0。

进一步地，按照以下公式计算所述后验概率的极大似然函数：

其中，L(θ|x,y)表示所述极大似然函数，m表示所述分类数据中数据的总数量。

进一步地，所述待评估函数的最小值利用梯度下降法求解。

进一步地，在构建了所述逻辑回归模型之后，所述方法还包括：

获取评价信息集，并利用所述逻辑回归模型对所述评价信息集中的评价样本进行预测；

根据预测结果，计算所述逻辑回归模型的精度参数和召回率参数，其中，所述精度参数和所述召回率参数用于表征所述逻辑回归模型的预测准确度。

为实现上述目的，本申请还提供一种逻辑回归模型的构建系统，所述系统包括：数据获取单元，用于获取训练数据集和所述训练数据集对应的分类数据，其中，所述训练数据集中包括多个特征数据；待评估函数建立单元，用于基于预设逻辑函数和所述训练数据集以及所述分类数据，建立待评估函数；逻辑回归模型构建单元，用于在所述待评估函数取最小值时，将所述待评估函数中的自变量作为构建的逻辑回归模型。