逻辑回归在 scikit-learn 上的决策功能如何工作？
How decision function of Logistic Regression on scikit-learn works?
我正在尝试了解此函数的工作原理及其背后的数学原理。 scikitlearn 中的 decision_function() 是否为我们提供了对数赔率？函数 return 的值范围从负无穷大到无穷大，当我们使用 decision_function() 时，似乎 0 是预测的阈值，而当我们使用 predict_proba() 时，阈值是 0.5。这就是概率和log odds的关系Geeksforgeeks.
我在文档中看不到任何相关内容，但我认为该函数的行为类似于对数似然。我说得对吗？
决策函数就是(as you can see in the source)
的值
f(x) = <w, x> + b
预测概率是 (as you can see in the source)
p(x) = exp(f(x)) / [exp(f(x)) + exp(-f(x))] = 1 / (1 + exp(-2x))
在 exp 下达到一个常量，只是一个普通的 sigmoid 函数。
因此，对应的阈值点对于f(x)为0，对于p(x)为0.5，因为
exp(0) / [exp(0) + exp(-0)] = 1 / 2 = 0.5
那么你如何解读决策函数呢？它本质上是 LR 模型建模的概率的 logit 的 2 倍。 （“2 次”只是一个技巧 scikit-learn 用来始终能够使用 softmax 而不是手动执行 sigmoid，这很不幸）。
我正在尝试了解此函数的工作原理及其背后的数学原理。 scikitlearn 中的 decision_function() 是否为我们提供了对数赔率？函数 return 的值范围从负无穷大到无穷大，当我们使用 decision_function() 时，似乎 0 是预测的阈值，而当我们使用 predict_proba() 时，阈值是 0.5。这就是概率和log odds的关系Geeksforgeeks.
我在文档中看不到任何相关内容，但我认为该函数的行为类似于对数似然。我说得对吗？
决策函数就是(as you can see in the source)
的值f(x) = <w, x> + b
预测概率是 (as you can see in the source)
p(x) = exp(f(x)) / [exp(f(x)) + exp(-f(x))] = 1 / (1 + exp(-2x))
在 exp 下达到一个常量，只是一个普通的 sigmoid 函数。
因此，对应的阈值点对于f(x)为0，对于p(x)为0.5，因为
exp(0) / [exp(0) + exp(-0)] = 1 / 2 = 0.5
那么你如何解读决策函数呢？它本质上是 LR 模型建模的概率的 logit 的 2 倍。 （“2 次”只是一个技巧 scikit-learn 用来始终能够使用 softmax 而不是手动执行 sigmoid，这很不幸）。