逻辑回归原理
sigmod函数
下图给出了sigmod 函数在不同坐标尺度下的两条曲线图。当 x 为 0 日牝 Sigmoid 函数值为 0.5 。
随着 1 的增大,对应的sigmod值将逼近于 1; 而随着 x 的减小, Sigmoid 值将逼近于 0 。如果横坐标
刻度足够大(下图 ),sigmod 函数看起来很像一个阶跃函数。
原理
上图,将y作为正例的可能性,则1-y是反例的可能性
• 无需事先假设数据分布
• 可得到“类别”的近似概率预测
• 可直接应用现有数值优化算法求取最优解
如何确定最优系数
若将 y 看作类后验概率估计
则:
写为
:
显然
于是,可使用“极大似然法”
给定数据集
最大化“对数似然”(log-likelihood)函数