分类:预测y为离散值0或1的情况;
Logistic函数=sigmoid函数
函数表达的含义是P(y=0)+P(y=1)=1
Logistic回归模型的拟合
Logistic回归的代价函数J
其中cost:
y=1时; 代价为0; 表明如果真实值是1,然而却预测0,那么代价cost就会无穷大;
相反y=0时(图像反过来),如果真实值是0,然而却预测1,那么cost就会无穷大;
Logistic回归的正则化
过拟合:高度符合训练样本,但是在(测试集)预测的效果不好。
正则化:约束参数的范围不要太大,从而防止过拟合。
代价函数:新加正则化参数
之前的梯度下降算法,对θ(J)进行更新。
正则化的梯度下降算法: 方括号里的是正则化的代价函数J(θ)对θj求偏导