逻辑回归（Logistic Regression）
逻辑回归(Logistic Regression)大家千万不要被名字所迷惑了，这不是一个回归算法，而是一个二分类问题的分类算法。二分类的目标一般就是对是和不是的区分。
我们很容易想到，可以根据概率统计以及贝叶斯统计的知识。我们假设它是(某个物体)，然后计算一个它是的概率，如果这个概率大于它不是(某个物体)，我们就判定它是。反之则判定它不是。这种情况下我们则需要对这个概率进行建模。。。
但是我们都机器学习了，干脆我们就想让参数能自己动，可以自己学习这个概率函数的算法。假设这些数据都是 R n R^n Rn空间中的一些点，n表示数据特征的维数。如果恰好有一个超平面S， S ∈ R n − 1 S\in R^{n-1} S∈Rn−1，我在在这个数据的空间画一个超平面，正好把数据分成两部分。如果这个面能够恰好把数据分成是(某个物体)和不是(某个物体)两部分，那我们的任务就完成了。
至于这个超平面怎么画，我们可以考虑通过数据，让计算机自己去试如何画这个平面。不管计算机画的好不好，我们都想办法在当前的基础上画的更好，这就是优化工作需要做的。那么我们应该如何评价计算机画的好不好呢，这个时候就需要使用一些评价指标，并且在有数据标签的情况下判断这条线画的到底好不好。所以逻辑回归是一个有监督的问题。
我们现在已经让计算机学习了如何把这一个分割的超平面画好了。我们现在来了一个数据，我们如何判断这个新数据在平面的哪一边呢。既然都有这个平面的方程了，根据这个方程把数据点代入进去，就可以算出来，这个数据点在平面的什么方向了。
n维空间中，n-1维超平面的方程就是 θ 0 + θ 1 x 1 + θ 2 x 2 . . . + θ n x n = 0 θ_0+θ_1x_1+θ_2x_2...+θ_nx_n=0 θ0+θ1x1+θ2x2...+θnxn=0，如果新来一个向量 x = ( x 1 , x 2 . . . x n ) T x=(x_1,x_2...x_n)^T x=(x1,x2...xn)T，我们只需要用平面方程等式左边的部分去拟合预测函数，把x代入计算得到一个预测值。 f ( x ) = θ 0 + θ 1 x 1 + θ 2 x 2 . . . + θ n x n f(x)=θ_0+θ_1x_1+θ_2x_2...+θ_nx_n f(x)=θ0+θ1x1+θ2x2...+θnxn，如果 f ( x ) > 0 f(x)>0 f(x)>0，则根据该方程预测的结果在平面上方，反之 f ( x ) < 0 f(x)<0 f(
最低0.47元/天 解锁文章
2698
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
