我的问题是关于逻辑回归模型如何如此准确地执行。在一些探索性实验中，我将逻辑回归模型与长期短期记忆循环神经网络进行比较，以对消费者评论（正面或负面）（25,000 条评论）进行二元分类。Logistic 回归模型表现更好，准确率为 88.0%，召回率、精度和 f 值为 0.88。循环神经网络以 81.1% 的准确率、0.83 的召回率、0.80 的精度和 0.81 的 f-score 执行。也许我的网络构建存在缺陷，但我仍然惊讶地发现逻辑回归具有如此高的准确性。
为什么逻辑回归在情感分类中可以如此准确的解释？
数据挖掘
lstm
逻辑回归
情绪分析
2022-02-22 01:11:22
1个回答
有些人有这种先入为主的观念，即逻辑回归不应该表现良好，因为它太简单了。虽然这对于某些类型的复杂问题可能是正确的，但现实情况是逻辑回归在许多不同的场景中表现相对较好。
在没有实际看到数据和您构建的模型的情况下，很难就模型为何表现良好给出明确的答案。
话虽如此，您尝试解决的问题可能不是很困难，因此即使是简单的逻辑回归模型也会产生良好的结果。另一件要考虑的事情是，虽然 88% 的准确率听起来不错，但实际上可能只适用于这类问题（和数据集）——尝试其他基于非神经网络的分类器并查看它们的性能将是有益的。
其它你可能感兴趣的问题