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