逻辑回归的搜索/预测时间复杂度是多少？

我正在研究机器学习算法的时间复杂度，但我找不到预测新输入的逻辑回归的时间复杂度是多少。我读过，分类是 O(c*d) c-类的数量，d-维度的数量，我知道对于线性回归，搜索/预测时间复杂度是 O(d)。您能否解释一下逻辑回归的搜索/预测时间复杂度是多少？ 先感谢您

其他机器学习问题的示例：https://www.thekerneltrip.com/machine/learning/computational-complexity-learning-algorithms/ https://www.thekerneltrip.com/machine/learning/computational-complexity-learning-algorithms/

基于梯度优化的逻辑回归方法训练的复杂性：O((f+1)csE)，其中：

• f- 特征数量（由于偏差+1）。每个特征乘以它的权重（f运营，+1为偏见）。其他f + 1对所有这些进行求和的操作（获得预测）。使用梯度方法来提高相同操作次数的权重计数，因此总共我们得到4* (f+1)（两个用于前向传播，两个用于向后传播），这很简单O(f+1).
• c- 逻辑回归中的类数（可能的输出）。对于二元分类来说，它是一个，所以这个术语被抵消了。每个类别都有其相应的权重集。
• s- 数据集中的样本数量，我认为这个非常直观。
• E- 您愿意运行梯度下降的时期数（整个数据集）

Note:这种复杂性可以根据正则化（另一个 C 操作）等内容而改变，但其背后的想法是这样的。

一个样本的预测复杂度：O((f+1)c)

• f + 1- 您只需将每个权重乘以特征值，添加偏差，最后将所有结果相加。
• c- 你对每个类都这样做，1 用于二元预测。

许多样本的预测复杂度：O((f+1)cs)

• (f+1)c- 查看一个样本的复杂性
• s- 样本数量

逻辑回归和线性回归在复杂性方面的差异：激活函数。

对于多类逻辑回归，它将是softmax，而线性回归，顾名思义，具有线性激活（实际上没有激活）。它不会改变使用大 O 表示法的复杂性，但它是另一个c*f训练期间的操作（不想让图片进一步混乱）乘以 2 作为反向传播。