ML in Action Note - Day 3/4 - Logistics Regression

嘻嘻嘻，终于到这一章~

自动去找到拟合参数简直太棒了好嘛> w <

Logistics Regression：包括Gradient Regression和Stochastic Regression。

优点：计算代价不高

缺点：容易欠拟合，分类精度可能不高

适用于数值型和标称型

 

在这里，我们需要的函数是，接受所有的输入然后预测出类别。例如，在两个分类情况，输出0或1，这一的函数称为Heaviside step function，即单位阶跃函数。这个函数的问题在于：瞬间跳跃过程有时很难处理，于是需要和数学上的sigmoid函数一起合并。

sigmoid函数：

当x为0，sigmoid函数值为0.5。随着x增大，对应的sigmoid值趋近1，随着x减小，sigmoid值趋近0。当横坐标足够大，sigmoid函数看起来像是一个阶跃函数。

所以结合logistics regress和sigmoid得到solution是：每个特征都乘以一个回归系数，把结果总和代入sigmoid函数中，得到一个0~1范围的数值。

sigmoid函数的输入为z：

也就是

 

P1：Gradient Regression

找到某个函数的最大值（最小值），最好的方法是沿着函数的梯度方向去找。

函数f(x, y)的梯度▽函数为：

这个梯度意味沿着x的方向移动，沿着y的方向移动，其中函数f(x, y)必须要在待计算的点上有定义并且可微。

梯度的方向就是导数最大值的方向，即函数变化率最高的方向。因此，梯度方向可以通过对函数求导得到。

梯度算法一直迭代执行，在每个点会重新计算移动的方向，直到达到某个停止条件位置，比如迭代次数达到某个指定值，或者算法达到某个范围。迭代公式：

梯度上升：