回归
“回归”就是“回归本质”的意思。用一个函数去拟合一组数据,随着数据越来越多,用来拟合的这个曲线就越来越接近真实的情况。
* linear regression:用直线拟合
* logistc regression:用一种曲线拟合(是不是sigmoid形状的曲线?)
Logistics regression
θT⋅x 是linear regression,套一层sigmoid将输出映射到 (0,1) 。
假设训练集为
(x(1),y(1)),(x(2),y(2)),...,(x(m),y(m))
;输入特征为
x(i)∈Rn+1
(我们对符号的约定如下:特征向量
x(i)
的维度为
n+1
,其中
x0=1
,对应截距项)。由于logistic回归是针对二分类问题的,因此类标记
y(i)∈{0,1}
。假设函数(hypothesis function) 如下:
Interpretion: hθ(x(i))=Sigmoid(θT⋅x(i)) 是 y(i)=1 的概率, 1−hθ(x(i)) 是 y(i)=0 的概率( 吴恩达,Logistic Regression: Optimization Objective I)
训练
θ
,使其能最小化代价函数:
为什么cost function定义为这样?
* 首先的确可以定义为squared error的形式,即
但是该曲线not convex,即很难找到全局最优。定义为上面的形式则convex。
对某个 (x(i),y(i)) 分类讨论:
当 y(i)=1 时, cost→∞ when hθ(x(i))→0 ; cost→0 when hθ(x(i))→1(i.e. y(i))
当 y(i)=0 时, cost→0(i.e. y(i)) when hθ(x(i))→0 ; cost→∞ when hθ(x(i))→1
- 用 log 函数的意义在于,它就是好用,而且convex。(这里我也不明白,就先这么记着)