Stanford机器学习笔记-2.Logistic Regression

感谢关注天善智能，走好数据之路↑↑↑

欢迎关注天善智能，我们是专注于商业智能BI，人工智能AI，大数据分析与挖掘领域的垂直社区，学习，问答、求职一站式搞定！

对商业智能BI、大数据分析挖掘、机器学习，python，R等数据领域感兴趣的同学加微信：tstoutiao，邀请你进入数据爱好者交流群，数据爱好者们都在这儿。

---

作者：llhthinker

个人博客：http://www.cnblogs.com/llhthinker/

---

2.6 Multiclass classification problem

现实中也常遇到多分类问题(multiclass classification problem)，如判断手写的数字是0~9中的哪一个就是一个有10类的问题。多分类学习的基本思路是“拆解法”，即将多分类任务拆为若干个二分类任务求解。具体来说，先对问题进行拆分，然后为拆分出的每个二分类任务训练一个分类器（也就是h(x)）；在预测时，对这些分类器的预测结果进行集成。

下面介绍一个常用的拆分策略-“One-vs-all”.

One-vs-all每次将一个类的样例作为正例(“1”)，所有其他类作为反例(“0”)来训练n个分类器。在预测时，有两种情况看

情况1：若仅有一个分类器预测为正例，则对应的类别标记作为最终分类结果；

情况2：若有多个分类器预测为正例，则选择分类器的预测置信度最大的类别标记为分类结果

例如对于图2-10所示的多分类问题，我们先将三角形，正方形，叉分别标记为类别1，2，3，然后做如下划分：

先将三角形看作正例“1”，正方形和叉看作反例“0”，训练出hθ1(x)

再将正方形看作正例“1”，三角形和叉看作反例“0”，训练出hθ2(x)

最后将叉看作正例“1”，三角形和正方形看作反例“0”，训练出hθ3(x)

预测时每一个预测值都是一个形如[hθ1(x), hθ2(x), hθ3(x)]的向量。选出最大的h(x)，它的上标就是对应的类别标记。例如若预测值为[0.13, 0.24, 0.79]，对应的就是上文所说的情况1，即只有hθ3(x) > 0.5表现为正例，所以应该认为是属于3标记类，即为叉。若预测值为[0.12, 0.83, 0.56], 对应的就是上文所说的情况2，hθ2(x) 和hθ3(x)都大于0.5，都预测为正例，但hθ2(x)> hθ3(x)，所以应该预测是属于2标记类，即为正方形。

图2-10