logistic regression中的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列問答集和資訊懶人包

應用機器學習與情感分析探討數位銀行服務

為了解決logistic regression中的問題，作者楊盈盈 這樣論述：

現今，隨著數位轉型下，數位網路銀行蓬勃發展也更加受歡迎。然而，由於數位銀行並沒有實體機構，此限制造成人們更少有機會面對面和機構進行溝通，因此了解顧客的反饋(像是顧客滿意度)對於網路銀行是十分重要的課題。本研究透過蒐集社群媒體上的資訊，挖掘其內容的情感及關鍵字進而探討數位網路銀行服務。藉由蒐集Twitter上7659筆資料，利用hashtag標籤搜尋五間歐洲受歡迎的數位銀行例如TransferWise(現改名為Wise)、 Revolut、 Monzo、 Starling、 Curve等銀行，運用情感分析技術計算出每篇文章的情感分數，並分成正面、中立、負面三種情感，接著以TF-IDF文字探勘方

法和機器學習的技術分析結果。本研究發現SVM為三種機器學習( Multinomial Naïve Bayes、Support Vector Machine、Logistic Regression) 中最好的分類方式，透過TF-IDF文字探勘能找出正向和負向情感中最廣為討論的相關字詞。本研究結果顯示數位銀行應改進使用者實體卡片使用的相關議題，強化資源去支援回應積極的溝通來提升滿意度。同時，企業應促進數位銀行平台的可用性、易接近性，且致力於推出新服務像是加密貨幣服務。本研究除幫助企業更加了解顧客在社群媒體上的貼文內容，亦協助加強企業優勢與改善服務不足之處。

整合文字與財務指標於企業營運成長之預測模型

為了解決logistic regression中的問題，作者張雅婷 這樣論述：

年度報告是公司在一個會計年度結束後製作的財務會計報告，內容含有資產負債表、營運與財務狀況等等資訊，有助於投資者和股東更了解該年度公司的財務狀況以及未來政策的運行方向。我們相信相較於財務報表的財務數據，年度報告的解釋性文字資訊能夠帶來更多有價值的資訊，例如最近年度的投資政策、虧損或獲利的主要原因、風險管理評估分析事項，以及未來一年投資計畫，而公司的財務報表則需要符合特定的會計準則規定，可能會造成財務資訊無法呈現最真實的狀況。另外一方面，財務數據是總結過去公司的表現，資料具有時間上的延遲性，若是投資者僅以財務資訊作為投資的參考依據，會產生時效性的問題，無法了解公司未來走向並做下更有效的決定。而文

字資訊具有即時性，除了說明公司當下的狀況，也包含未來公司如何發展的資訊內涵，故文字資訊能夠彌補財務資訊在時效性上的缺點。在以往的相關研究中，我們發覺很少有研究將文字資訊應用在預測企業的績效表現，大部分只採用財務資訊來衡量績效，因此，本研究結合文字資訊和財務指標來預測公司績效成長的能力。在本研究中，我們將實驗可分成三個步驟來說明，首先，為了深入分析與了解年度報表的文字資訊，本研究利用年度報表中含有未來策略資訊內涵的解釋性內容來進行分析。再來我們使用探索性因素分析，將過多的變數結合成核心因素之後，採用SMOTE過採樣算法來進一步處理不平衡資料問題，最後再用分類器來得到結果。為了更加檢驗文字資訊結合

財務指標的預測能力，本論文使用三種分類器來進行檢驗，實驗的結果發現，在單純貝氏分類(Naïve Bayes)、支援向量機(SVM)和邏輯式迴歸(Logistic regression)中，文字資訊結合財務指標的預測能力都比純用財務指標或純用文字資訊的預測能力都還要好，這說明若能在財務資訊的基礎上再搭配上文字資訊的輔助，能夠幫助投資者和股東對公司績效成長有更好的判斷。