本文探讨了逻辑回归在二分类问题中的应用，重点解释了Sigmoid激活函数如何将线性函数的输出转化为0到1之间的概率估计，以适应二元分类任务的需求。通过对Sigmoid函数特性的描述，阐述了其在确保预测概率范围上的关键作用。
逻辑回归学习算法，适用于二分类问题。
对于二元分类问题来讲，给定一个输入特征向量X，它可能对应一张图片，如果想识别这张图片看它是一只猫或者不是一只猫的图片，那么就需要一个算法能够输出预测，输出值为 y ^ \hat{y} y^（也就是预测值），也就是对实际值 y 的估计。更正式地来说，要让 y ^ \hat{y} y^表示 y 等于1的一种可能性或者是概率，通过这个值来告诉你这是一只猫的图片的机率有多大。
X是一个n_x维的向量（相当于有n_x个特征的特征向量），用w来表示逻辑回归的权重参数，这也是一个n_x维向量（因为w是特征权重，维度与特征向量相同），还有一个b参数，这是一个实数（表示偏差）。给出输入x以及参数w和b之后，就可以求出 y ^ \hat{y} y^
最低0.47元/天 解锁文章
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
