logistic regression 最基础的分类算法

最新推荐文章于 2022-12-16 14:31:47 发布

鱼蛋蛋哥

最新推荐文章于 2022-12-16 14:31:47 发布

阅读量472

点赞数

分类专栏： machine learning

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/u010327085/article/details/46778155

版权

machine learning 专栏收录该内容

6 篇文章 0 订阅

订阅专栏

介绍

logistic regression是一种最基本的分类算法。它的模型为 $H_{\Theta }(x)=sigmoid(\Theta ^{T}X)$ ，其中 $sigmoid(x)=\frac{1}{1+e^{-x}}$ 。

其代价函数 $J(\Theta )=-\frac{1}{m}\sum_{i=0}^{m}(y^{i}log(H_{\Theta }(x^{i}))+(1-y^{i})log(1-H_{\Theta }(x^{i})))$ 。

对于二分类问题，y的取值为0和1，这里，我们设定 $H_{\Theta }(x)$ 为y=1概率。当其大于等于0.5时，我们预测结果为1，当其小于0.5时，我们预测结果为0。

使用梯度下降算法

迭代公式： $\Theta_{j} =\Theta_{j} -\alpha\frac{\partial J(\Theta )}{\partial \Theta_{j} }$ 其中 $\frac{\partial J(\Theta )}{\partial \Theta_{j} }=\frac{1}{m}\sum_{i=1}^{m}(H_{\Theta }(x^{i})-y^{i})x_{j}^{i}$ 。推导过程见下图。

矢量化表达： $\Theta =\Theta -\alpha X^{T}(\frac{1}{1+e^{-X\Theta }}-y)$ 。

matlab实现

见下篇

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

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。