1. 引言 回到线性回归模型中，训练集和代价函数如下图 如果我们还用J(θ)函数做为逻辑回归模型的代价函数，用H(x) = g(θ^T * x)，曲线如下图所示 发现J(θ)的曲线图是"非凸函数"，存在多个局部最小值，不利于我们求解全局最小值
本文探讨了在逻辑回归中，为什么不能使用线性回归的代价函数，并介绍了适合逻辑回归的代价函数。通过分析y=1和y=0时的Cost(h(x), y)，展示了该代价函数如何确保分类错误的代价在预测接近正确时趋向于0，而在预测错误时增加。最终，文章提出了逻辑回归的代价函数表达式，并指出其在梯度下降算法中的应用。"
121582779,11569992,PyCharm批量处理字符教程,"['pycharm', 'python', 'ide', '文本处理', '正则表达式']
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
