本文介绍了逻辑回归的基本概念，特别是Sigmoid函数在分类问题中的应用。通过Sigmoid函数，将输入值映射到0和1之间，实现对目标变量的分类。文章还讨论了逻辑回归的代价函数和梯度下降法在寻找最优参数θ中的作用，并提供了一个样例数据集进行解释。
什么叫逻辑回归？ 简单来讲便是目标值只有{0，1}，而线性回归的目标值却是一个区域
0，1 可以代表得病没得病，正确错误，etc...
那么怎么才能把给定的输入值正确的分类到{0，1}呢，下面就介绍一个特别的函数：Sigmoid函数， g(z) = 1/(1+ exp(-z))
啥都不说先上图。
上图便是sigmoid函数图了，之所以引用这个函数便是他在Z取极小的区间[－5 5] Y便从0过度到1，极其迅速。而当Z取0时，Y刚好为0.5
所以当输入值Z>0时 Y>0.5 那么便把它归到1 这类，而当输入值Z<0 便把它归到0这类。所以现在可以把重点放在Z上了。
大家都知，在通过输入值X 预测y的时候 X 可以有很多个feature 比如有 n个feature， m 个example， 那么X便是m*n的矩阵，y 是m*1的矩阵。
处理X还是按纯性回归那样 theta*X 这便是上文说的Z了。现在这样便构建好函数。那么接下来就用这个函数来计算theta。只要计算好
theta便可以预测数据啦。
我们先来介绍cost function. 说起cost function在做线性回归的时候已经有所了解，其实就是算的误差，这与最小二乘法道理也些类似。容我以后补充。但是做逻辑回归并
不能用线性回归的cost funciton 只是因为那并不会全局最优，只能做到局部最优。看不懂？ 我也不懂，反正就是这样。现在 正式引入逻辑回归的cost function
最低0.47元/天 解锁文章
690
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
