基于密度估计的逻辑回归模型

• 全文链接
• 请求原文

作   者：

毛毅;  陈稳霖;  郭宝龙;  陈一昕; 

作者机构：

圣路易华盛顿大学计算机工程学院;  西安电子科技大学机电工程学院智能控制与图像工程研究所; 

关键词：

非线性分类;  核函数;  逻辑回归;  Nadarays-Watson密度估计; 

期刊名称：

自动化学报

基金项目：

基于Lotka-Volterra模型的多群协同竞争粒子群优化及其在移动机器人路径规划中的应用研究
视觉原理指导下的动目标检测与跟踪新方法研究
基于球面小波的3D曲面形状描述方法及AD脑皮层分类研究
基于局部不变特征和混合多示例学习的图像检索研究

i s s n：

0254-4156

年卷期：

2014 年 01 期

页   码：

66-76

摘   要：

介绍了一种基于密度的逻辑回归(Density-based logistic regression,DLR)分类模型以解决逻辑回归中非线性分类的问题.其主要思想是根据Nadarays-Watson密度估计将训练数据映射到特定的特征空间,然后组建优化模型优化特征权重以及Nadarays-Watson密度估计算法的宽度.其主要优点在于:它不仅优于标准的逻辑回归,而且优于基于径向基函数(Radial basis function,RBF)内核的核逻辑回归(Kernel logistic regression,KLR).特别是与核逻辑回归分析和支持向量机(Support vector machine,SVM)相比,该方法不仅达到更好的分类精度,而且有更好的时间效率.该方法的另一个显著优点是,它可以很自然地扩展到数值类型和分类型混合的数据集中.除此之外,该方法和逻辑回归(Logistic regression,LR)一样,有同样的模型可解释的优点,这恰恰是其他如核逻辑回归分析和支持向量机所不具备的.