对逻辑回归损失函数进行求导

海滩上的那乌克丽丽

已于 2022-03-09 21:14:05 修改

阅读量1.8k

点赞数 2

分类专栏：逻辑回归机器学习文章标签：逻辑回归算法机器学习

于 2022-02-23 22:57:52 首次发布

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/h2728677716/article/details/123101438

版权

机器学习同时被 2 个专栏收录

44 篇文章 1 订阅

订阅专栏

5 篇文章 0 订阅

订阅专栏

如果我们基于逻辑回归的损失函数做GD梯度下降，那么就要求梯度，而我们知道求梯度是loss损失函数对theta求偏导。

1.首先先对逻辑回归函数求导（后面对loss求偏导会用到）

$g(z)= \frac{1}{1+e^{-z}}$

$g{}'(z) = \frac{\partial }{\partial z}\frac{1}{1+e^{-z}} = -\frac{1}{(1+e^{-z})^{2}} *(1+e^{-z}){}'$

$(1+e^{^{-z}}){}'=(e^{-z}){}'=(e^{-z})(-z){}'=(e^{-z})(-1)$

$=\frac{1}{(1+e^{-z})^{2}}(e^{-z})$

$=\frac{1}{1+e^{-z}}*\frac{e^{-z}}{1+e^{-z}}= \frac{1}{1+e^{-z}}* (\frac{1+e^{-z}}{1+e^{-z}}- \frac{1}{1+e^{-z}})= \frac{1}{1+e^{-z}}*(1- \frac{1}{(1+e^{-z})})$

$=g(z)(1-g(z))$

2.逻辑回归损失函数

$j(\theta ) = -\frac{1}{m}\sum_{i=1}[^{m}y^{(i)}logh(x^{(i)})+(1-y^{(i)})log(1-h(x^{(i)}))]$

可以将上式看成两部分分别求到再相加

$(y_{i}logh_{\theta }x){}'=y_{i}(logh_{\theta }x){}'=y_{i}\cdot \frac{1}{h_{\theta }x_{i}}\cdot (h_{\theta }x_{i}){}'$

$((1-y_{i})\cdot log(1-h_{\theta }x_{i})){}'=(1-y_{i})\cdot \frac{1}{1-h_{\theta }x_{i}}\cdot (1-h_{\theta }x_{i}){}'=(1-y_{i})\cdot \frac{1}{1-h_{\theta }x_{i}}\cdot (-1)\cdot (h_{\theta }x_{i}){}'$

这里我们发现导函数的形式和多元线性回归一样，毕竟都是从广义线性回归来的嘛。

这样就可以用上面推导的公式求出梯度g

进而运用梯度下降公式反复迭代减小损失。

海滩上的那乌克丽丽

关注

2
点赞
踩
10

收藏

觉得还不错? 一键收藏
0
评论
对逻辑回归损失函数进行求导

如果我们基于逻辑回归的损失函数做GD梯度下降，那么就要求梯度，而我们知道求梯度是loss损失函数对theta求偏导。1.首先先对逻辑回归函数求导（后面对loss求偏导会用到） 2.逻辑回归损失函数可以将上式看成两部分分别求到再相加这里我们发现导函数的形式和多元线性回归一样，毕竟都是从广义线性回归来的嘛。这样就可以用上面推导的公式求出梯度g进而运用梯度下降公式反复迭代减小损失。...
复制链接

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

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。