20190614——吴恩达机器学习 逻辑回归

开始预测的是y是一个离散值

利用我们学过的线性回归，这看起来并没有什么不妥，可是当我们在很远的地方又有了一个样本，就不太合适了。
线性回归的值会大于1或者小于小于0

而我们接下来要学习的这个算法，函数值一直介于0与1之间，是一个分类算法

这两个函数名词对应的是同一个函数，
g(z)=1/1+e的-z次幂
其中z=θ的转置与x的乘积

---

---

决策边界

根据这个函数来比较，当函数值>=0.5时，我们就预测其y=1，当我们预测函数值<0.5我们就认为这个函数y=0,再根据这个z=θ的转置与x的内积，我们就判断，z<0 y=0, z>=0 y=1

在逻辑回归中，如何选择这个参数θ？其他项如同线性回归的项一样。

相当于1/m与cost这个函数的乘积()

如果我们把之前的线性回归代价函数的方法代入其中，很可能出现的是左边这个图形，有很多局部最小值，所以有时候我们无法得到其真正的最小值

所以我们新找了一个代价函数，这样就是单弓函数，方便我们使用梯度下降方法来寻找最小值。

这个代价值，是y-h(x)
所以越契合，代价值越小

同样可以使用梯度下降法来减少这个代价函数

线性回归和逻辑回归是不太一样的
他们的h（x）就不一样
线性回归的θ转置*x
逻辑回归的是sigmund函数