笔记-向量化logistic回归

最新推荐文章于 2023-01-08 22:12:45 发布

SoHardToNamed

最新推荐文章于 2023-01-08 22:12:45 发布

阅读量406

点赞数

分类专栏：深度学习吴恩达课程

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/SoHardToNamed/article/details/88957702

版权

深度学习同时被 2 个专栏收录

12 篇文章 0 订阅

订阅专栏

吴恩达课程

11 篇文章 1 订阅

订阅专栏

对于单个样本，有

$z = \omega ^Tx +b$

$a = \sigma (z)$

那么对于多个样本，便有：

$z^{(1)} = w^Tx^{(1)}+b,a^{(1)}=\sigma (z^{(1)})$

$z^{(2)} = w^Tx^{(2)}+b,a^{(2)}=\sigma (z^{(2)})$

我们令 $X = [x^{(1)},x^{(2)},...,x^{(m)}],x^{(i)}\in \Re ^{n*1},X\in \Re ^{n*m}$

则

Z = np.dot(w.T,X) + b

其中 $Z = [z^{(1)},z^{(2)},...,z^{(m)}]$

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
笔记-向量化logistic回归

对于单个样本，有那么对于多个样本，便有：我们令则Z = np.dot(w.T,X) + b其中
复制链接

扫一扫

专栏目录

评论

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。