机器学习实战——Logistic回归

今天看《机器学习实战》里面的logistic回归篇，发现里面虽然内容不多，但是作者省略了很多过程，结果自己看得有点懵，后来查了一些资料，然后自己推了推公式，才有了豁然开朗的感觉。这里就记录一下自己的理解，也希望和大家一起分享。

Github: 梯度下降

数学部分

—————————————————————————————————————————————————————————————

1.目标描述

之前我们说过一个物体可以抽象成许多特征的集合，在这里我们用X表示物体：

其中表示特征，表示每个特征的权重，用一个大家都在用的例子解释就是：就好比房子的价格，而就是影响房价的各个因素（房屋面积，房屋朝向，房屋所在地段等），同时则是每个影响因素的权重，这些所有的影响因素（特征）共同决定了房价。

2.代价函数

既然我们已经确定了目标描述的方法，那么该取什么值，才能最好最贴切地描述物体本身呢？（一般房屋所在地段及房屋面积对房价影响较大，所以其对应的就会大一些）

为了求解，我们需要个样本（），这里的个样本是已经知道真实值的（即属于已经分好类的）