【学习笔记】逻辑回归

许多问题需要概率作为输出，逻辑回归是一种效率很高的概率计算机制。

虽然我在这里没有提及，但是各位对机器学习感兴趣的基本都会用到过mnist数据集。 在我们读取数据集的一般是这么写的

mnist = input_data.read_data_sets('MNIST_data/', one_hot=True)

这里labels不再是一个值，而是独热码。

>>>print(mnist.train.labels)
array([[0., 0., 0., ..., 1., 0., 0.],
       [0., 0., 0., ..., 0., 0., 0.],
       [0., 0., 0., ..., 0., 0., 0.],
       ...,
       [0., 0., 0., ..., 0., 0., 0.],
       [0., 0., 0., ..., 0., 0., 0.],
       [0., 0., 0., ..., 0., 1., 0.]])

这时候我们就需要进行逻辑回归。

mnist = input_data.read_data_sets('MNIST_data/', one_hot=False)

则会返回固定值:

array([7, 3, 4, ..., 5, 6, 8], dtype=uint8)

 

大家可能发现了，逻辑回归与我们之前对经度和纬度进行的分箱有点类似，只不过这回变成判断数据落在哪个“箱”内而已。

文中给了我们一个例子，我们现在要创建一个逻辑回归模型来预测半夜狗叫的概率：

p(bark|night) <