机器学习百试不爽之(一)逻辑回归(Logistic Regression)

本文包含

  • 关键计算式:逻辑回归的目标函数
  • 模型训练方法:如何逼近最大值

不包含

  • 详细的公式推导
  • 各种证明

似然函数表示如下,其中y是样本标签,只有0,1两种情况。x表示观测到的样本特征。P是概率函数。在逻辑回归中采用了sigmod函数

似然函数最大值求解

在求解一个函数的最大值很容易想到,导数为0的时候,目标函数最大。可惜,这种方式是行不通的。于是,go on。

逻辑回归采用了梯度下降的方式,不断迭代模型参数,以逼近最优。

在计算梯度之前,首先将目标函数改成对数似然,便于求导。

对数似然

梯度表示如下,是

梯度

模型参数的迭代方式如下,i表示当前训练的轮次,i-1表示上一轮,alpha是学习速率(表示参数迭代的快慢)

 

参考

https://tech.meituan.com/2015/05/08/intro-to-logistic-regression.html

https://blog.csdn.net/zouxy09/article/details/20319673

  • 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