【机器视觉系列】机器学习之一：logistic回归分析(含Matlab代码)

最新推荐文章于 2024-08-14 17:14:53 发布

飞翔的鲲

最新推荐文章于 2024-08-14 17:14:53 发布

阅读量3.1w

点赞数 9

分类专栏：【机器视觉入门和进阶教程】文章标签： logistic回归机器学习

本文链接：https://blog.csdn.net/soaringlee_fighting/article/details/52571484

版权

58 篇文章 62 订阅 ¥39.90 ¥99.00

订阅专栏

本文介绍了Logistic回归的基础知识，包括一维和多维情况的函数表达式，并通过Matlab代码展示了如何进行分类。通过定义平方和代价函数，使用梯度下降法求解模型参数w和b。最终，利用训练得到的模型进行样本分类。

摘要由CSDN通过智能技术生成

logistic回归是回归分析的一种，函数表达式为
y = 1/(1+exp(-x))
在matlab中可以画出其graph：

x = -10:0.1:10;
y = 1./(exp(-x)+1);
plot(x,y,'g-x');
title('logistic function');
xlabel('x');ylabel('y');

以上是一维的情况。对于多维变量，可以定义一个超平面代入原来的变量x中，得到：

对于任意变量x，可以代入上式计算出y值并与0.5比较进行分类，　分类式为：

其中sgn(x) 为符号函数。

为了演示logistic函数是版怎样用于分类的，　假定我们有一组数据,分别对应的类别为。　定义平方和（或L2－norm)代价函数为：

通过最小化代价函数可以得到模型的参数w和b 。最小化的方法有很多种，　在下面的代码中给出一个最简单的梯度下降法。其基本思想是利用代价函数对w和b的一阶导数。　由于ＣＳＤＮ输入公式太不方便了，关于导数如何求得请大家参考下面的Matlab代码。

%% generate random data

了解本专栏

关注

专栏目录