Logistic 回归
Logistic回归作为一个学习算法,被用于输出y非0即1的监督学习问题中。Logistic回归的主要目标是使预测结果和训练数据的误差最小。
Cat vs No-cat
输入一张图像,由特征向量x来表示,回归算法将预估图像中有一只猫的可能性。
Givenx,y^=P(y=1|x),where0≤y^≤1
在Logstic回归中的参数包括:
- 输入特征向量: x∈Rnx,nx为特征的个数
- 训练标签: y∈0,1
- 权重: w∈Rnx,nx为特征的个数
- 门限值: b∈R
- 输出: y^=σ(wTx+b)
- Sigmoid 函数: s=σ(wTx+b)=σ(z)=11+e−z
(wTx+b)
是一个线性函数
f(ax+b)
,但是因为我们寻求一个在
[0,1]
之间的可能性,所以使用了Sigmod函数。如上图所示,Sigmod函数值介于
[0,1]
之间。
我们能从图中观察得到:
- 当
z
是一个大的正数,有
σ(z)=1 - 当
z
特别小或是一个“大的”负数时,
σ(z)=1 - 当 z=0 时, σ(z)=0.5