复习:
Logistic回归:分类算法
假设给定x以为参数的y=1和y=0的概率:
求对数似然性:
对其求偏导数,应用梯度上升方法,求得。
本次课程介绍的牛顿方法是一种比梯度上升快很多的方法,用于拟合Logistic回归
推导图:
当要求解f(θ) = 0时,如果 f 可导,那么可以通以下的迭代公式
当应用于求解最大似然估计的最大值时,变成求解l′(θ) =0的问题。
当 θ 是向量时,牛顿法的通用表达式变成:
H为henssian矩阵,牛顿法收敛速度虽然很快,但求 Hessian 矩阵的逆的时候比较耗费时间。
更多相关文章亦可参考:【机器学习-斯坦福】学习笔记4 - 牛顿方法