逻辑回归二分类理解

本文介绍了逻辑回归用于二分类问题的基本原理。通过线性函数结合sigmoid激活函数,将输出转化为0或1的概率。同时,文章阐述了采用交叉熵作为代价函数的原因,以及其在优化过程中的作用。通过举例说明,解释了为何在逻辑回归中选择这样的损失函数有助于模型的训练。
摘要由CSDN通过智能技术生成

一、问题描述

假设我们要分类一个问题,且只是是与不是的问题,比如是否是一只猫,只能是(1)或(0)。而且这个目标拥有n个特征,我们得到的是一个关于输入x的线性函数,我们可以得到:

z= w1*x1+w2*x2+....+wn*xn+b

上述的公式对于描述我们要得到0和1并不是一个很好的描述,因为结果可能有很多种结果,非常大的数或很小的负数。所以将上述的结果作为sigmoid函数自变量,公式及图形如下,当结果z非常大时,结果将趋于1;当结果非常小时,结果将趋于0。



二、代价函数

为什么需要代价函数:

为了训练逻辑回归模型的参数参数和参数我们,需要一个代价函数,通过训练代价函数来得到参数和参数。先看一下逻辑回归的输出函数


为了让模型通过学习调整参数,你需要给予一个
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