logistic Regression-逻辑回归
线性边界方程
(θ为特征值参数,x为自变量)
公式意义:计算某个事件发生的可能性,可以把跟这个事件相关的所有特征加权求和,可以看做是类别分界线(最佳拟合线),着重理解的方程。
逻辑函数(Sigmoid函数)
函数图像:
P(t)的值域为[0,1];利用此可以计算事件发生的概率,以便归类
ps:发生概率小于0.5时,属于类别0,反之属于类别1
,也就是说在整个过程中我们就是要求出回归系数 的值,则可以求出P(s)进而进行分类操作。
注意:有些朋友可能会说,要是我特征取值的区间[假设值[ [0-100]和[100-200] ],的怎么办,将函数向右平移100个单位就可以了,高中知识了。
具体求出回归系数 的过程:
首先我们先理解一个损失函数(Loss Function)
我们可以知道,损失函数用户衡量预测值与实际值的偏离程度,如果预测完全正确,则损失函数的数值为0,反之表示该预测结果的糟糕程度,这里我只写了常用于线性回归的平方损失函数

本文深入探讨了逻辑回归,包括线性边界方程、Sigmoid函数在预测事件概率中的应用,以及如何通过梯度下降法求解最佳拟合参数。通过损失函数解释了模型的优化目标,并介绍了优化点如步长和迭代次数的选择。
最低0.47元/天 解锁文章

被折叠的 条评论
为什么被折叠?



