【机器学习】10——logistic的直观理解

机器学习10——logistic的直观理解

logistic

---

训练过程

数据集:
特征: 学习时间（例如，1小时、2小时等）。
标签: 是否通过考试（0 或 1）。

模型结构:
输入: 学习时间（特征）。
输出: 学生通过考试的概率（预测值）。

初始化模型的参数（权重和偏置）通常被初始化为随机值或零。

线性组合:
计算输入特征（学习时间）与权重的线性组合，再加上偏置。

z=w⋅x+b

其中 w 是权重，x 是特征（学习时间），b 是偏置。

将线性组合的结果 z 输入到 Sigmoid 函数中，得到预测的概率值

根据损失函数优化参数

具体例子

预测一个学生是否能通过考试（0 表示未通过，1 表示通过）：

• 假设我们初始化模型的参数为：
  权重w=0
  偏置 b=0

• 对于一个给定的学习时间 x，我们计算线性组合
  -z=w⋅x+b
  例如，对于学习时间 x=4，我们有： z=0⋅4+0=0

重复以上步骤