吴恩达机器学习_49代价函数/50简化代价函数与梯度

一、logistic 回归的代价函数:

1、y = 1

 

 

图像左侧无穷大的通俗解释:假设我们预测y = 1 的概率为0,但如果y确实等于1,那么我们会用非常大的代价值来惩罚这个学习函数。

 

2、y = 0

 

 

 图像右侧无穷大的通俗解释:如果最后y = 0,而我们几乎非常肯定的预测y = 1的概率等于1,那么我们就要为此付出非常大的代价值

 

二、简化代价函数与梯度下降

logistic回归的代价函数:

 

 

代价函数J等于: 1/m乘以对应不同标签的yi的各个训练样本在预测时付出的代价之和

将代价函数简化为一个式子,我们可以得到:

 

我们使用梯度下降法求使得J最小的参数θ,思路如下

 

 

 求得式中的偏导项为 ,回带到上述梯度下降法,得到

 

  完整的梯度下降法如下:

 

 注意:虽然logistic回归梯度下降算法和线性回归梯度下降算法的式子相同,但假设函数hθ(x)是不一样的

 

 

转载于:https://www.cnblogs.com/vzyk/p/11572446.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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