Logistic回归原理介绍

本文介绍了Logistic回归的基本原理,包括模型假设、判定边界和代价函数。Logistic回归通过Sigmoid函数将连续值转换为0或1的概率,以适应分类问题。模型假设部分讲解了如何根据特征向量和逻辑函数确定输出。判定边界通过θTx的值划分预测类别。代价函数部分阐述了不同于线性回归的非凸代价函数,并提供了梯度下降法的更新公式。
摘要由CSDN通过智能技术生成

模型假设

根据线性回归可以预测连续的值,对于分类问题,我们需要输出0或者1。所以,在分类模型中需要将连续值转换为离散值。我们可以预测:

  • hθ 大于等于0.5时,输出为y=1;

  • hθ 小于0.5时,输出为y=0。

Logistic回归模型的输出变量范围始终在0和1之间,Logistic回归模型的假设为:

hθ(x)=g(θTx)

其中:

  • x 代表特征向量
  • g 代表逻辑函数(Logistic Function),常用逻辑函数为S形函数(Sigmoid Function),函数公式为:

g(z)=11+ez

该函数的图像为:


所以,整个模型的假设为:

hθ(x)=11+eθTx

该假设函数 h

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值