1.logistics回归原理
--吴恩达课程笔记
本笔记分成两部分:线性回归和逻辑回归,涉及概念:正规方程,过拟合,欠拟合,代价函数,梯度下降,学习率,正则化
1.1 线性回归
线性拟合即假设一个模型为多元线性方程(包括特殊的单元线性回归),回归方程可表示为:
其中表示假设模型的参数,X表示模型的特征向量。
模型的作用在于给定一个输入的特征向量X,预测输出值h,一个好的模型预测到的值越接近实际值越好。
对线性回归方程有两种解法:一是梯度下降,二是正规方程。
1.1.1梯度下降法
梯度下降法是通过迭代方法不断优化模型一种算法,优化目标函数成为代价函数(cost function),代价函数意味让模型预测值接近真值需要花费的代价,所以定义为:
需要经过计算不断更新新的向量,使J沿梯度下降方向减少。当J对
的偏导为0的时候,即达到局部最优。
由于这里是线性回归,则J为凸函数(可以证明),局部最优即是全局最优。每次迭代时输入的样本数据个数为m,“Batch”梯度下降,使用所有的样本数据计算J的偏导。计算过程为:
Repeat{