破产机器学习 破产数据研究的目的是为给定数据确定预测破产的最佳分类方法。 破产数据是从COMPUSTAT收集的1980年至2000年的数据，其中有5436个观察值和13个变量。 9个基于会计的变量和1个市场变量是：R1：WC / TA，营运资金/总资产R2：RE / TA，未分配利润/总资产R3：EBIT / TA，息税前利润/总资产R4：ME / TL，权益/总负债的市场价值R5：S / TA，销售/总资产R6：TL / TA，总负债/总资产R7：CA / CL，流动资产/流动负债R8：NI / TA，净收入/总资产R9：破产成本，对数（销售）R10：市值，对数（绝对（价格）*流通股数/ 1000） 对于本研究，由于没有明显的破产趋势，因此可以假定可以将多年来的数据汇总在一起并进行研究。 在这13个变量中，其中一个是“ DLRSN”-一种表示默认值的分类变量，即预测的因变量。 总体而

详细介绍二分类多分类的logistic学位论文

Logistic回归模型——方法与应用方面的几篇文章,比较精典

Additive logistic regression-a statistical view of boosting.pdf

本资源将logistic的求解算法用matlab进行编程实现

目的将混沌应用于分形图像压缩编码中，用Logistic混沌映射和Julia曲线生成一个固定的压缩字典，改进传统的分形图像压缩编码方法。方法采用二阶的Julia集f（Z）=Z2+C的时间逃逸算法，对于不同的C生成不同的曲线。然后使用Logistic混沌映射随机地产生0-255之间的整数填满量化表。再根据灰度量化规则，用第一千张量化表量化产生的Julia图像块，作为压缩编码中的固定字典。编码时，将量化后图像Julia块与原图中的图像块进行比较，寻找最适合的量化表和距离最小的Julia图像块。解码时通过重构第一

Logistic回归 威斯康星州诊断性乳腺癌（WDBC）数据集的Logistic回归

上周讲专题时做的ppt

包含深度学习课程第一课第二周作业所需数据集、模块和相关代码。相关课程的作业的文档说明请搜索相关博客即可。 课程使用notebook做的，需要先安装juyter notebook。 在编程一开始需要导入python第三方库，包括numpy h5py matplotlib PIL scipy 统一使用pip下载安装，安装方法在命令窗口pip install 库名称 。 资源文件： assignment2.ipynb 是notebook文件可在网页book中打开，做好的作业和代码及运行结果都在里面； images 文件夹中是一些共测试的图片 datasets 文件夹中是本周课程用到的数据集，包括训练集和测试集； assignment2 文件夹是其他人做的作业； lr_utils.py 是课程提供的导入数据的模块，具体代码开始部分使用。

提出了模拟土地利用变化的多分类Logistic回归模型，即将因变量的二分类扩展为多分类。分别计算各种类型之间的转换回归系数可提高模拟的精度。对于不同的土地利用类型，计算出了不同的回归系数。该模型用于研究湖北省嘉鱼县土地利用变化的正确率为73.4%。