本文深入探讨了Logistic回归这一分类算法，介绍了其与线性回归的差异。Logistic回归通过sigmoid函数实现概率预测，用于二分类问题，并可通过一对多策略解决多分类问题。关键在于其假设函数不同于线性回归，代价函数的优化采用梯度下降法。Logistic回归在决策边界确定中并不直接依赖训练集，而是通过训练集拟合参数。
分类算法：
分类算法：logistic回归（只是由于历史原因是这个名字，其实它是一个分类算法）
sigmoid函数【同义于logistic函数】：
logistic回归的假设函数：
分类模型例子：
我们不是用训练集来决定的决策边界，我们用训练集来拟合参数θ，然后用θ来确定决策边界。
当Y=1的时候，代价函数的图像如下：
当Y=0的时候，代价函数的图像如下：
对于logistic回归的代价函数做一个简化处理：
最小化代价函数使用的是梯度下降法：
用矩阵算【向量化】的话可以实现所有θ的同时更新
从上图可以看出，线性回归和logistic回归所得到关于θ的计算公式一样，那么她们两的算法是有啥不同吗？
其实是假设函数h(x)的不同
逻辑回归【logistic回归】解决多分类问题；一对多的分类算法
P38
4万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
