本文探讨了线性分类模型，包括线性分类、线性回归和逻辑斯蒂回归的优缺点，并介绍了随机梯度下降方法。接着讲解了多类别分类的One-Versus-All和One-Versus-One策略。此外，还深入讨论了非线性转换的重要性，通过二次假设解决线性不可分问题，并分析了非线性转换带来的模型复杂度增加的代价。
linear分类模型
在上一讲中，我们了解到线性回归和logistic回归一定程度上都可以用于线性二值分类，因为它们对应的错误衡量(square error, cross-entropy) 都是“0/1 error” 的上界。
三个模型的比较
分析Error Function
本质上讲，线性分类（感知机）、线性回归、logistic回归都属于线性模型，因为它们的核心都是一个线性score 函数：
只是三个model 对其做了不同处理：线性分类对s 取符号；线性回归直接使用s 的值；逻辑斯蒂回归将s 映射到(0,1) 区间。为了更方便地比
订阅专栏 解锁全文
扫一扫
5329
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
