sigmoid／逻辑回归／多元逻辑回归／softmax 区别

最新推荐文章于 2024-04-02 14:38:17 发布

猿球崛起

最新推荐文章于 2024-04-02 14:38:17 发布

阅读量2.7k

点赞数 1

分类专栏：机器学习

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/qq_36231549/article/details/81266604

版权

机器学习专栏收录该内容

8 篇文章 0 订阅

订阅专栏

sigmoid function:

$f(x)=\frac{1}{1+e^{-x}}$

二项逻辑回归（binomial logistic regression model）:

$P(Y=1|x) = \frac {exp(w \cdot x+b)}{1+exp(w\cdot x+b)}$

$P(Y=0|x) = \frac {1}{1+exp(w\cdot x+b)}$

多元逻辑回归（multi-nomial logistic regression model）：多分类，Y的取之集合为{1,2,...,K}

$P(Y=k|x)=\frac{exp(w_k \cdot x)}{1+\sum_{k=1}^{K-1}exp(w_k\cdot x)},k=1,2,...,K-1$
$P(Y=K|x)=\frac{1}{1+\sum_{k=1}^{K-1}exp(w_k\cdot x)}$

softmax :

$P(y^{(i)}=j|x^{(i)};\theta)=\frac {exp( \theta^T_jx^{i})}{\sum_{l=1}^k exp( \theta^T_jx^{i})}$

关注

1
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
sigmoid／逻辑回归／多元逻辑回归／softmax 区别

sigmoid function:二项逻辑回归（binomial logistic regression model）:多元逻辑回归（multi-nomial logistic regression model）：多分类，Y的取之集合为{1,2,...,K}softmax :...
复制链接

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

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。