机器学习15 逻辑回归与交叉熵

正文

参考：https://zhuanlan.zhihu.com/p/126272731

逻辑回归是分类问题，解决是与不是的问题。推理结果为0和1.

LR的公式

sigmoid函数具备让线性函数转化为0<y<1范围的非线性函数的能力

使用该函数可以得到一个0-1间的概率

LR的损失函数（简化交叉熵）

该损失函数直接定义出来

一波解释：
y的值为0或者1， 代表是否属于该分类
y^的值为0-1， 代表的是其概率
当为正样本时，l=-log(y^), 此时概率越大，l越小。概率为1时，损失l为0
当为负样本时，l=-log(1-y^), 此时概率越大，l越大

交叉熵推导

一波解释：
模型的目标是使得输入x，输出刚好为对应的y
P（y|x）代表样本为x是输出为y的概率，直接定义出来
P（Y|X）代表所有样本都推理正确的概率，所以是所有概率的乘积，这个值越大越好，最大为1
转换为最小问题即可得到loss，取对数，加负号，当P为1时，loss=0

一波解释：
每个样本只属于某一类