【机器学习】逻辑回归基础知识+代码实现

本文介绍了逻辑回归的基本概念,包括其用于二分类、输出概率的特点,以及优点和缺点。详细阐述了逻辑回归的公式推导,损失函数以及梯度上升与随机梯度上升的训练细节。此外,还讨论了缺失数据的处理策略,并提供了代码实现的参考资源。
摘要由CSDN通过智能技术生成

1. 基本概念

逻辑回归用于二分类,将对输入的线性表示映射到0和1之间,输出为label为1的概率。

优点:实现代价低,可输出分类概率。适用于数据线性不可分。

缺点:容易欠拟合,分类精度可能不高,且仅限二分类。

使用数据类型:数值型和标称数据。

逻辑回归本质也是线性回归,但是是将线性回归映射到0/1分类上,因此逻辑回归用于分类。

2. 公式推导

单个输入样本为 x =[1,x_1, x_2,...,x_n],第一项为1是为了直接把截距b加入到权重w矩阵中,方便计算。y = [y_1,y_2,...,y_n]为正确的标签类别。共有m个样本。

回归函数:

\\ \hat {y} = \sigma(wx) \\ \sigma(z) = \frac{1}{1+exp(-z)} \\\sigma(z)' = \sigma(z)(1-\sigma(z))

属于不同类别的概率:

\\ p(y=1|x) = \hat{y} = \sigma(wx) \\p(y=0| x) = 1-\hat{y} = 1-\sigma(wx)

则分类正确的概率:

p(y|x) = \hat{y}^y * (1-\hat{y})^{(1-y)}

则对于所有样本,分类正确的最大似然估计为:

P = \prod_{i=1}^{m}p(y^{<i>}|x^{<i>}) = \prod_{i=1}^{m} (\hat{y}^y * (1-\hat{y})^{(1-y)})

取对数:

  • 0
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
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