【机器学习入门】logistic回归

logistic回归名为“回归”,实质上却是一个分类模型。

它的思路是用一个S型函数进行回归模型拟合,预测值大于0.5时认为是正类,小于0.5时认为是负类。
用logistic回归用于分类而不采取线性回归的原因在于,当两个类的样本较多分布不同的时候,线性回归会倾向于偏向样本较多的那个类,并尝试拟合“较远”的样本。

logistic回归选择将线性回归函数转化到一个S型函数上。

hθ(x)=g(θTx)=11+eθTx

其中 g(z)=11+ez .

logistic回归如下:
设样本类别分布为

P(y|x;θ)=hθ(x)y(1hθ(x))1y

则似然函数
L(θ)=iP(y(i)|x(i);θ)=ihθ(x(i))y(i)(1hθ(x(i)))1y(i)

对数似然函数

logL(θ)=imy(i)loghθ(x(i))+(1y(i))log(1hθ(x(i)))

为寻找 θ 使似然函数最大,使用梯度下降法,
θ:=θ+αθlogL(θ)

由于

hθ(x)=g(θTx)=11+eθTx

可得
θjlogL(θ)=im(y(i)hθ(x(i)))x(i)j

因此求解logistic回归的参数迭代式为:

θj:=θj+αim(y(i)hθ(x(i)))x(i)j

当然也可以采取循环的形式,即对所有 i 采取:
θj:=θj+α(y(i)hθ(x(i)))x(i)j

其中
hθ(x)=g(θTx)=11+eθTx

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值