假设我有 n 个特征(全部浮动)并想要分类(0 或 1)
现在我有一个遗留的专家系统来进行分类。
专家系统规则:
分类所有
如果, 放,
如果, 放,
如果, 放,
...
如果, 放,
如果,然后预测, 除此以外
是由直觉而不是计算决定的,我想改进专家系统。怎么做?逻辑回归不能简单地应用于这种情况......
假设我有 n 个特征(全部浮动)并想要分类(0 或 1)
现在我有一个遗留的专家系统来进行分类。
专家系统规则:
分类所有
如果, 放,
如果, 放,
如果, 放,
...
如果, 放,
如果,然后预测, 除此以外
是由直觉而不是计算决定的,我想改进专家系统。怎么做?逻辑回归不能简单地应用于这种情况......
正如彼得所说,这正是逻辑回归可以直接解决的问题。但是,还有几件事要说。
原始变量上发生的分箱表明存在一些强烈的非线性。您可以进行一些单变量分析以找到合适的转换,但特别是您可以尝试分箱,可能使用证据权重评分和/或基于树的递归分区。
如果你想坚持保留分箱结构和值,那么这只是使用这些转换后的预测变量进行的简单逻辑回归。
如果您坚持保留分箱结构而不是它们的值,您可以再次使用 WOE 或对这些 bin 进行 one-hot 编码并学习乘积作为逻辑回归中编码变量的系数。
最后,当然,您几乎可以用您最喜欢的分类器替换我提到逻辑回归的任何时间。