上一节课我们主要介绍了logistics regression的问题,借助sigmod函数计算得到cross-entropy error交叉熵误差,同时gradient descent梯度降维的方法找到一个好的hypothesis,很好地解决logistics regression问题。
一、Linear Models for Binary Classification
- 在第2讲中,针对有noise的linear classification问题,PLA算法理论上可以找到一个犯错误最少的wg,但这是一个NP-hard的难题;
- linear regression使用的是squared error,因为Ein(w)通常是一个凸函数,可以很容易地找到closed-form solution;
- logistics regression使用的是cross-entropy error,通过梯度降维也可以很好地找到最小的Ein(w);
- 那么后两者的方法模型是否对linear classification有用呢?
- 首先,把三种模型的error function写出来,注意在前两种模型中,我们经过推导均得到一个关于 y s ys ys的式子,这与logistics regression模型中也含有 y s ys ys一致;
- 这里的 y s ys ys是有物理意义的,我们称之为classification correctness score分类的正确率得分,其值越大越好,得分越高。
- 我们把三种情况的error function以ys为横坐标在坐标系表示出来:
- 注意到 e r r S C E err_{SCE} errSCE其实是 e r r C E err_{CE} errCE通过换底得到的,这样 e r r S C E err_{SCE} err