逻辑回归(Logistic Regression)

本文深入介绍了逻辑回归,包括模型的定义、如何利用Sigmoid函数进行二分类,以及采用梯度下降法优化代价函数以求解参数。逻辑回归通过Sigmoid函数将线性回归的连续输出转化为概率,适用于二分类问题。同时,文章讨论了逻辑回归的非凸代价函数及其解决方法,并展示了梯度下降在求解最优参数中的应用。
摘要由CSDN通过智能技术生成

一、什么是逻辑回归

逻辑回归用于分类问题。在分类问题中,我们尝试预测目前观测目标属于哪一类,它会产生一个离散的二元结果y∈{0,1}。而线性回归模型产生的预测值为z=θTx是实数值,于是我们引入一个新的模型,使输出变量z的值到始终在0和1之间,于是便找到了Sigmoid function。

Sigmoid function的图像是一条值在0-1之间的S形曲线,如图:
Sigmoid function
通常,我们把Sigmoid fuction计算得到的值大于等于0.5的归为类别1,小于0.5的归为类别0。从Sigmoid function图像可以看出,当z≥0时,g(z)≥0.5;当z<0时,g(z)<0.5。

合起来,我们得到逻辑回归模型的假设:

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
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。

余额充值