多次函数为预测模型的逻辑回归

推导过程在其他博客中都有详细的说明,本文先晒出结论,推导过程后续再贴上。

说明

假设预测函数为\LARGE h_{\theta } ( x )=\frac{1}{1+e^{-z(x)}}

其中    \LARGE z(x)   

可以为一次模型     \LARGE \theta_{0}+\theta_{1}x   

也可以为多次模型        \LARGE \theta_{0}+\theta_{1}x+\theta_{2}x^{2}...

甚至可以是       其它带 \LARGE \theta 参数的模型函数

 

结论

\LARGE \frac{\partial}{\partial \theta }J(\theta)=\sum_{i=1}^{m}(h_{\theta}(x^{(i)})-y^{(i)})\frac{\partial z(x)}{\partial \theta}

接下来转换成向量运算即可,还可以加正则

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