逻辑回归 logistic regression 代价函数导数求解过程

最新推荐文章于 2024-07-11 09:51:27 发布

Jaichg

最新推荐文章于 2024-07-11 09:51:27 发布

阅读量4.1k

点赞数 11

文章标签：机器学习逻辑回归-c++ machine-learning

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/Jiaach/article/details/78736577

版权

在学习机器学习的课程中，逻辑回归的对数似然函数为
$J(\theta)=-\frac{1}{m}\sum_{i=1}^{m}y^{i}\log(h_\theta(x^{i}))+(1-y^{i})\log(1-h_\theta(x^{i}))$

对于多元线性模型，其中 $\theta^{T}x可以表示为：$
$\theta x^i:=\theta_0+\theta_1 x^i_1+\dots+\theta_p x^i_p.$
$\theta_0可以看作阈值的大小。大于阈值的分为一类，小于阈值的分为一类。$
对h(x)进行归一化

最低0.47元/天解锁文章

关注

11
点赞
踩
9

收藏

觉得还不错? 一键收藏
2
评论
逻辑回归 logistic regression 代价函数导数求解过程

在学习机器学习的课程中，逻辑回归的对数似然函数为 J(θ)=−1m∑mi=1yilog(hθ(xi))+(1−yi)log(1−hθ(xi))J(\theta)=-\frac{1}{m}\sum_{i=1}^{m}y^{i}\log(h_\theta(x^{i}))+(1-y^{i})\log(1-h_\theta(x^{i}))对于多元线性模型，其中θTx可以表示为：\theta^{T}x可以表
复制链接

扫一扫

评论 2

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。