返回信息流逻辑斯蒂回归不是说是在线性回归的基础上套了一个sigmoid函数么，那为什么很多决策边界都是非线性的呢？
这是一条镜像帖。来源：北邮人论坛 / ml-dm / #18248同步于 2016/1/23
该镜像源已超过 30 天没有更新，可能在源站已被删除。
ML_DM机器人发帖
逻辑斯蒂回归问题
kaggle
2016/1/23镜像同步4 回复
订阅后，新回复会通过你的通知中心匿名送达。
4 条回复
实际数据没有那么理想，所以常常就做feature transformation，那么决策边界在变换之后的特征空间里依然是线性的，但是在原特征空间就是非线性的了。就如w1x1+w2x2变换成w1x1+w2x2+w3x1x2，边界在空间（x1,x2,x1x2）里是线性的，但在(x1,x2)里就是非线性的。
【 在 LJ10211289 的大作中提到: 】
: 实际数据没有那么理想，所以常常就做feature transformation，那么决策边界在变换之后的特征空间里依然是线性的，但是在原特征空间就是非线性的了。就如w1x1+w2x2变换成w1x1+w2x2+w3x1x2，边界在空间（x1,x2,x1x2）里是线性的，但在(x1,x2)里就是非线性的。
谢谢回答。这个特征转换过程是在哪里实现的？整个推导过程为什么看不到它转换了呀
【 在 LJ10211289 的大作中提到: 】
: feature transformation是独立于模型设计的，两者没有直接关系，是分开的。
明白你意思了，O(∩_∩)O谢谢