Classification----logisitic regression

前言

在学习和实践了线性回归模型后,我们终于来到了下一站------分类问题,分类问题中经典的算法称为逻辑回归.

逻辑回归模型引入

给定一些样本以后,我们首先需要选用一个合适的样本估测函数去估计样本值,首先如果使用线性函数去模拟可以吗?现在想要预测肿瘤良性与肿瘤大小的关系,看下面这些样本在坐标系上的分布.

此时使用线性回归可以得到如下图形:

若使用线性函数模拟,在本次模拟中,根据下列函数判定,模拟效果还不错:
$$y=\{\begin{array}{ll}1,& \text{if predict\_result≥0.5}\\ 0,& \text{if predict\_result<0.5}\end{array}$$
可以在图像中看出,黄线左侧肿瘤预测为良性,右侧预测为恶性,目前看来一切都很正常,那我们再加入一个样本(18,1),得到的结果如下图:

预测的准确率低的离谱,这就说明在分类问题中,运用线性回归预测是不科学的,可能存在某些数据导致预测很差,那么,我们需要构造一个合理的预测函数,这个预测函数h的值最好能够满足$0<h(x)<1$,有一个函数完美的契合了这样的条件------sigmoid function.

sigmoid function------预测函数

这个函数表达式是这样的:
$$\varphi (z)=\frac{1}{1+e^{-z}}$$
它的图像是这样的:

从图像上可以看出,当z<0时,$\varphi <0.5$,z>0时,$\varphi >0.5$,并且它是连续的,位于0和1之间,我们将$z={\theta }^{T}x$代入函数,就可以得到满足条件的预测函数:
$$h_{\theta }(x)=$$