举例,使用之前定义的logistic回归的公式
现在我们通过计算图写出这个样本的流程图 >
假设样本中,只有两个特征x1和x2
为了计算出z,还需要w1,w2,以及b参数>
然后,我们通过z去计算y ̂ ==>
最后计算,损失(误差)函数L ==>
综上,在logistic回归中,我们需要做的就是通过变换w与b的值,去让损失函数变成最小值。
在之前,我们已经描述了前向传播的步骤,在单个训练样本上计算损失函数。接下来让我们讨论一下怎么向后计算偏导数。
举例,使用之前定义的logistic回归的公式
现在我们通过计算图写出这个样本的流程图 >
假设样本中,只有两个特征x1和x2
为了计算出z,还需要w1,w2,以及b参数>
然后,我们通过z去计算y ̂ ==>
最后计算,损失(误差)函数L ==>
综上,在logistic回归中,我们需要做的就是通过变换w与b的值,去让损失函数变成最小值。
在之前,我们已经描述了前向传播的步骤,在单个训练样本上计算损失函数。接下来让我们讨论一下怎么向后计算偏导数。