1.回归和分类
回归的预测值
y
y
y为连续值，分类的预测值
y
y
y为离散值。
Logistic回归的名字中虽然有回归二字，但其实是二分类算法。
2.Logistic函数
Logistic函数为两端饱和S型曲线函数，它将自变量的输出值固定在
[
0
,
1
]
[0,1]
[0,1]区间上。
Logistic函数原型为：
g
(
z
)
=
1
1
+
e
−
z
g(z)=\frac{1}{1+e^{-z} }
g(z)=1+e−z1
它的导数为：
g
(
z
)
=
e
−
z
(
1
+
e
−
z
)
2
=
(
1
1
+
e
−
z
)
(
1
−
1
1
+
e
−
z
)
=
g
(
z
)
(
1
−
g
(
z
)
)
g(z)=\frac{e^{-z} }{(1+e^{-z})^{2} } =(\frac{1}{1+e^{-z} } )(1-\frac{1}{1+e^{-z} } )=g(z)(1-g(z))
g(z)=(1+e−z)2e−z=(1+e−z1)(1−1+e−z1)=g(z)(1−g(z))
3.Logistic回归模型
Logistic回归通过Logistic函数，将输出固定在
[
0
,
1
]
[0,1]
[0,1]区间。通常情况下，当输出小于
0.5
0.5
0.5时，输出为0；当时输出大于
0.5
0.5
0.5时，输出为1：
h
θ
(
x
)
=
1
1
−
e
−
θ
T
x
,
θ
∈
R
n
×
1
,
x
∈
R
n
×
1
,
h
θ
(
x
)
∈
R
h_{\theta }(\mathbf{x}) =\frac{1}{1-e^{\mathbf{-\theta ^{T} x} } } ,\theta \in R^{n\times 1},\mathbf{x}\in R^{n\times 1} ,h_{\theta }(\mathbf{x}) \in R
hθ(x)=1−e−θTx1,θ∈Rn×1,x∈Rn×1,hθ(x)∈R
4.损失函数推导
对于Logistic的损失函数，通常有两种解释。
(1)交叉熵
可以用信息论中的交叉熵衡量预测值
h
θ
(
x
)
h_{\theta}(\mathbf{x})
hθ(x)和真实值
y
y
y之间的距离，交叉熵越小，效果越好:
J
(
θ
)
=
−
∑
i
=
1
m
[
y
i
log
h
(
θ
T
X
i
)
+
(
1
−
y
i
)
(
1
−
log
h
(
θ
T
X
i
)
)
]
J(\theta )=-\sum_{i=1}^{m}[y^{i}\log h(\mathbf{\theta ^{T}X^{i}})+(1-y^{i} )(1-\log h(\mathbf{\theta ^{T}X^{i}})) ]
J(θ)=−i=1∑m[yilogh(θTXi)+(1−yi)(1−logh(θTXi))]
其中，
X
i
∈
R
n
×
1
,
y
∈
R
，
θ
∈
R
n
×
1
\mathbf{X^{i}}\in R^{n\times 1} ,y\in R，\theta \in R^{n\times 1}
Xi∈Rn×1,y∈R，θ∈Rn×1。
(2)极大似然估计
使用极大似然估计，估计每个某个样本是某个类别的概率最大的时候的参数。
由于
h
(
θ
T
x
)
h(\mathbf{\theta ^{T}x})
h(θTx)的范围为[0,1]，可将其看做概率分布：
P
(
y
=
1
∣
x
,
θ
)
=
h
(
θ
T
x
)
P
(
y
=
0
∣
x
,
θ
)
=
1
−
h
(
θ
T
x
)
}
→
P
(
y
∣
x
,
θ
)
=
h
(
θ
T
x
)
y
(
1
−
h
(
θ
T
x
)
)
1
−
y
\left.\begin{matrix} P(y=1|\mathbf{x},\theta )=h(\theta ^{T}\mathbf{x} )\\ P(y=0|\mathbf{x},\theta )=1-h(\theta ^{T}\mathbf{x} ) \end{matrix}\right\}\to P(y|\mathbf{x},\theta )=h(\theta ^{T}\mathbf{x})^{y} (1-h(\theta ^{T}\mathbf{x}))^{1-y}
P(y=1∣x,θ)=h(θTx)P(y=0∣x,θ)=1−h(θTx)}→P(y∣x,θ)=h(θTx)y(1−h(θTx))1−y
假设每个样本之间相互独立，则似然函数为：
L
(
θ
)
=
∏
i
=
1
m
h
(
θ
T
x
i
)
y
i
(
1
−
h
(
θ
T
x
i
)
)
1
−
y
i
L(\theta ) =\prod_{i=1}^{m} h(\mathbf{\theta ^{T}x^{i}} )^{y^{i} } (1-h(\mathbf{\theta ^{T}x^{i}} ))^{1-y^{i} }
L(θ)=i=1∏mh(θTxi)yi(1−h(θTxi))1−yi
将似然函数取对数再取反作为损失函数，则极大似然估计转化为极小化损失函数：
J
(
θ
)
=
−
∑
i
=
1
m
[
y
i
log
h
(
θ
T
X
i
)
+
(
1
−
y
i
)
(
1
−
log
h
(
θ
T
X
i
)
)
]
J(\theta )=-\sum_{i=1}^{m}[y^{i}\log h(\mathbf{\theta ^{T}X^{i}})+(1-y^{i} )(1-\log h(\mathbf{\theta ^{T}X^{i}})) ]
J(θ)=−i=1∑m[yilogh(θTXi)+(1−yi)(1−logh(θTXi))]
可以看到，极大似然估计所得到的损失函数与交叉熵相同。
5.参数学习的计算方法
Logistic回归的参数学习方法一般为梯度下降法。梯度下降的关键是求损失函数对参数的梯度，这里用两种方法来给出梯度下降过程。
(1)代数法
损失函数：
J
(
θ
)
=
−
∑
i
=
1
m
[
y
i
log
h
(
θ
T
X
i
)
+
(
1
−
y
i
)
(
1
−
log
h
(
θ
T
X
i
)
)
]
J(\theta )=-\sum_{i=1}^{m}[y^{i}\log h(\mathbf{\theta ^{T}X^{i}})+(1-y^{i} )(1-\log h(\mathbf{\theta ^{T}X^{i}})) ]
J(θ)=−i=1∑m[yilogh(θTXi)+(1−yi)(1−logh(θTXi))]
其中，
J
(
θ
)
∈
R
,
h
(
θ
T
X
i
)
∈
R
,
X
i
∈
R
n
×
1
,
y
∈
R
，
θ
∈
R
n
×
1
J(\theta )\in R,h(\theta^{T} \mathbf{X^{i}} )\in R,\mathbf{X^{i}}\in R^{n\times 1} ,y\in R，\theta \in R^{n\times 1}
J(θ)∈R,h(θTXi)∈R,Xi∈Rn×1,y∈R，θ∈Rn×1。欲求
∂
J
(
θ
)
∂
θ
\frac{\partial J(\theta )}{\partial \theta }
∂θ∂J(θ)，标量对向量求导，使用链式法则：
∂
J
(
θ
)
∂
θ
=
−
∑
i
=
1
m
[
y
i
1
h
(
θ
T
X
i
)
+
(
1
−
y
i
)
(
1
−
1
h
(
θ
T
X
i
)
)
]
∂
h
(
θ
T
X
i
)
∂
θ
T
X
i
∂
θ
T
X
i
∂
θ
T
（
对
h
(
θ
T
X
i
)
求
导
）
=
−
∑
i
=
1
m
[
y
i
1
h
(
θ
T
X
i
)
+
(
1
−
y
i
)
(
1
−
1
h
(
θ
T
X
i
)
)
]
h
(
θ
T
X
i
)
(
1
−
h
(
θ
T
X
i
)
)
X
i
（
L
o
g
i
s
t
i
c
函
数
求
导
）
=
−
∑
i
=
1
m
[
y
i
(
1
−
h
(
θ
T
X
i
)
)
+
(
1
−
y
i
)
(
1
−
h
(
θ
T
X
i
)
]
X
i
(
合
并
同
类
项
)
=
∑
i
=
1
m
[
h
(
θ
T
X
i
)
−
y
i
]
X
i
\begin{aligned} \frac{\partial J(\theta )}{\partial \theta } &=-\sum_{i=1}^{m}[y^{i}\frac{1}{h(\theta^{T} \mathbf{X}^{i} )}+(1-y^{i})(1-\frac{1}{h(\theta^{T} \mathbf{X}^{i})})]\frac{\partial h(\theta^{T} \mathbf{X}^{i})}{\partial \theta^{T} \mathbf{X}^{i}}\frac{\partial \theta^{T} \mathbf{X}^{i}}{\partial \theta^{T}}（对h(\theta^{T} \mathbf{X}^{i})求导） \\ &=-\sum_{i=1}^{m}[y^{i}\frac{1}{h(\theta^{T} \mathbf{X}^{i} )}+(1-y^{i})(1-\frac{1}{h(\theta^{T} \mathbf{X}^{i})})]h(\theta^{T} \mathbf{X}^{i})(1-h(\theta^{T} \mathbf{X}^{i}))\mathbf{X}^{i}（Logistic函数求导） \\ &=-\sum_{i=1}^{m}[y^{i}(1-h(\theta^{T} \mathbf{X}^{i} ))+(1-y^{i})(1-h(\theta^{T} \mathbf{X}^{i} )] \mathbf{X}^{i}(合并同类项) \\ &=\sum_{i=1}^{m} [h(\theta^{T} \mathbf{X}^{i} )-y^{i}]\mathbf{X}^{i} \end{aligned}
∂θ∂J(θ)=−i=1∑m[yih(θTXi)1+(1−yi)(1−h(θTXi)1)]∂θTXi∂h(θTXi)∂θT∂θTXi（对h(θTXi)求导）=−i=1∑m[yih(θTXi)1+(1−yi)(1−h(θTXi)1)]h(θTXi)(1−h(θTXi))Xi（Logistic函数求导）=−i=1∑m[yi(1−h(θTXi))+(1−yi)(1−h(θTXi)]Xi(合并同类项)=i=1∑m[h(θTXi)−yi]Xi
则第
k
k
k轮的梯度为：
∑
i
=
1
m
[
h
(
θ
T
X
i
)
−
y
i
]
X
i
\sum_{i=1}^{m} [h(\theta^{T} \mathbf{X}^{i} )-y^{i}]\mathbf{X}^{i}
i=1∑m[h(θTXi)−yi]Xi
第
k
+
1
k+1
k+1次的迭代值为：
θ
k
+
1
=
θ
k
−
λ
∑
i
=
1
m
[
h
(
θ
T
X
i
)
−
y
i
]
X
i
\theta^{k+1}=\theta^{k}-\lambda\sum_{i=1}^{m} [h(\theta^{T} \mathbf{X}^{i} )-y^{i}]\mathbf{X}^{i}
θk+1=θk−λi=1∑m[h(θTXi)−yi]Xi
(2)矩阵法
矩阵法的表示更加简洁明了，计算更方便。矩阵法表示损失函数为：
J
(
θ
)
=
−
y
T
log
h
(
X
θ
)
−
(
E
−
y
)
T
log
(
E
−
h
(
X
θ
)
)
,
h
(
X
θ
)
=
1
1
+
e
X
θ
J(\theta )=-\mathbf{y} ^{T}\log h(\mathbf{X\theta } )-(\mathbf{E-y} )^{T} \log (\mathbf{E}-h(\mathbf{X\theta})),h(\mathbf{X\theta})=\frac{1}{1+e^{\mathbf{X\theta }} }
J(θ)=−yTlogh(Xθ)−(E−y)Tlog(E−h(Xθ)),h(Xθ)=1+eXθ1
其中，各项维度为下：
y
∈
R
m
×
1
为
o
n
e
−
h
o
t
向
量
，
E
∈
R
m
×
1
为
全
1
向
量
,
X
∈
R
m
×
n
,
θ
∈
R
n
×
1
,
h
(
X
θ
)
∈
R
m
×
1
,
J
(
θ
)
∈
R
。
\mathbf{y}\in R ^{m\times 1} 为one-hot向量，E\in R ^{m\times 1}为全1向量,\mathbf{X} \in R ^{m\times n},\theta \in R^{n\times 1},h(\mathbf{X\theta } ) \in R^{m\times 1},J(\theta ) \in R。
y∈Rm×1为one−hot向量，E∈Rm×1为全1向量,X∈Rm×n,θ∈Rn×1,h(Xθ)∈Rm×1,J(θ)∈R。
求
∂
J
(
θ
)
∂
θ
\frac{\partial J(\theta )}{\partial \theta }
∂θ∂J(θ)，可以拆分为：
∂
J
(
θ
)
∂
θ
=
−
∂
y
T
log
h
(
X
θ
)
∂
θ
−
∂
(
E
−
y
)
T
log
(
E
−
h
(
X
θ
)
)
∂
θ
\frac{\partial J(\theta )}{\partial \theta } =-\frac{\partial \mathbf{y} ^{T}\log h(\mathbf{X\theta } )}{\partial \theta }-\frac{\partial (\mathbf{E-y} )^{T} \log (\mathbf{E}-h(\mathbf{X\theta}))}{\partial \theta }
∂θ∂J(θ)=−∂θ∂yTlogh(Xθ)−∂θ∂(E−y)Tlog(E−h(Xθ))
根据标量对向量求导的链式法则，对中间量
X
θ
\mathbf{X\theta }
Xθ求导，上式可进一步写成：
∂
J
(
θ
)
∂
θ
=
−
(
∂
X
θ
∂
θ
)
T
∂
y
T
log
h
(
X
θ
)
∂
X
θ
−
(
∂
X
θ
∂
θ
)
T
∂
(
E
−
y
)
T
log
(
E
−
h
(
X
θ
)
)
∂
X
θ
\frac{\partial J(\theta )}{\partial \theta } =-(\frac{\partial \mathbf{X\theta }}{\partial \theta })^{T} \frac{\partial \mathbf{y} ^{T}\log h(\mathbf{X\theta } )}{\partial \mathbf{X\theta } }-(\frac{\partial \mathbf{X\theta }}{\partial \theta })^{T} \frac{\partial (\mathbf{E-y} )^{T} \log (\mathbf{E}-h(\mathbf{X\theta}))}{\partial \mathbf{X\theta }}
∂θ∂J(θ)=−(∂θ∂Xθ)T∂Xθ∂yTlogh(Xθ)−(∂θ∂Xθ)T∂Xθ∂(E−y)Tlog(E−h(Xθ))
上式中：
(
∂
X
θ
∂
θ
)
T
=
X
T
(\frac{\partial \mathbf{X\theta }}{\partial \theta })^{T} =\mathbf{X} ^{T}
(∂θ∂Xθ)T=XT
再分别求另外两项：
①求
∂
y
T
log
h
(
X
θ
)
∂
X
θ
\frac{\partial \mathbf{y} ^{T}\log h(\mathbf{X\theta } )}{\partial \mathbf{X\theta } }
∂Xθ∂yTlogh(Xθ)，标量对向量求导，使用矩阵微分：
d
y
T
log
h
(
X
θ
)
=
t
r
[
d
y
T
log
h
(
X
θ
)
]
（
标
量
的
转
置
）
=
t
r
[
y
T
d
log
h
(
X
θ
)
]
(
矩
阵
微
分
乘
法
法
则
)
=
t
r
[
y
T
⊙
1
h
(
X
θ
)
⊙
h
(
X
θ
)
⊙
(
E
−
h
(
X
θ
)
)
d
(
X
θ
)
]
(
逐
元
素
微
分
)
=
t
r
[
y
T
⊙
E
⊙
(
E
−
h
(
X
θ
)
)
d
(
X
θ
)
]
(
合
并
同
类
项
)
=
t
r
[
y
T
−
y
T
⊙
h
(
X
θ
)
]
d
(
X
θ
)
(
合
并
同
类
项
)
\begin{aligned} d \mathbf{y} ^{T}\log h(\mathbf{X\theta } )&=tr[d \mathbf{y} ^{T}\log h(\mathbf{X\theta } )]（标量的转置） \\&=tr[\mathbf{y} ^{T}d\log h(\mathbf{X\theta } )](矩阵微分乘法法则) \\&=tr[\mathbf{y} ^{T}\odot\frac{1}{h(\mathbf{X\theta } ) }\odot h(\mathbf{X\theta } )\odot (E-h(\mathbf{X\theta } ))d(\mathbf{X\theta })](逐元素微分) \\&=tr[\mathbf{y} ^{T}\odot E \odot (E-h(\mathbf{X\theta } ))d(\mathbf{X\theta })](合并同类项) \\&=tr[\mathbf{y} ^{T}-\mathbf{y} ^{T}\odot h(\mathbf{X\theta })]d(\mathbf{X\theta })(合并同类项) \end{aligned}
dyTlogh(Xθ)=tr[dyTlogh(Xθ)]（标量的转置）=tr[yTdlogh(Xθ)](矩阵微分乘法法则)=tr[yT⊙h(Xθ)1⊙h(Xθ)⊙(E−h(Xθ))d(Xθ)](逐元素微分)=tr[yT⊙E⊙(E−h(Xθ))d(Xθ)](合并同类项)=tr[yT−yT⊙h(Xθ)]d(Xθ)(合并同类项)
最终求得：
∂
y
T
log
h
(
X
θ
)
∂
X
θ
=
(
y
T
−
y
T
⊙
h
(
X
θ
)
)
T
=
y
−
y
⊙
h
(
X
θ
)
\frac{\partial \mathbf{y} ^{T}\log h(\mathbf{X\theta } )}{\partial \mathbf{X\theta } }=(\mathbf{y} ^{T}-\mathbf{y} ^{T}\odot h(\mathbf{X\theta }))^{T}=\mathbf{y}-\mathbf{y}\odot h(\mathbf{X\theta })
∂Xθ∂yTlogh(Xθ)=(yT−yT⊙h(Xθ))T=y−y⊙h(Xθ)
②求
∂
(
E
−
y
)
T
log
(
E
−
h
(
X
θ
)
)
∂
X
θ
\frac{\partial (\mathbf{E-y} )^{T} \log (\mathbf{E}-h(\mathbf{X\theta}))}{\partial \mathbf{X\theta}}
∂Xθ∂(E−y)Tlog(E−h(Xθ))，标量对向量求导，使用矩阵微分:
d
[
(
E
−
y
)
T
log
(
E
−
h
(
X
θ
)
)
]
=
t
r
[
d
(
(
E
−
y
)
T
log
(
E
−
h
(
X
θ
)
)
)
]
（
标
量
的
迹
）
=
t
r
[
(
E
−
y
)
T
d
log
(
E
−
h
(
X
θ
)
)
]
（
矩
阵
乘
法
法
则
）
=
t
r
[
−
(
E
−
y
)
T
⊙
1
E
−
h
(
X
θ
)
)
⊙
h
(
X
θ
)
⊙
(
E
−
h
(
X
θ
)
)
d
X
θ
]
（
逐
元
素
微
分
）
=
t
r
[
−
(
E
−
y
)
T
⊙
h
(
X
θ
)
d
X
θ
]
\begin{aligned} d[(\mathbf{E-y} )^{T} \log (\mathbf{E}-h(\mathbf{X\theta}))]&=tr[d((\mathbf{E-y} )^{T} \log (\mathbf{E}-h(\mathbf{X\theta})))]（标量的迹） \\&=tr[(\mathbf{E-y} )^{T} d\log (\mathbf{E}-h(\mathbf{X\theta}))]（矩阵乘法法则） \\&=tr[-(\mathbf{E-y} )^{T}\odot\frac{1}{\mathbf{E}-h(\mathbf{X\theta}))}\odot h(\mathbf{X\theta})\odot (\mathbf{E}-h(\mathbf{X\theta}))d\mathbf{X\theta}]（逐元素微分） \\&=tr[-(\mathbf{E-y} )^{T}\odot h(\mathbf{X\theta})d\mathbf{X\theta} ] \end{aligned}
d[(E−y)Tlog(E−h(Xθ))]=tr[d((E−y)Tlog(E−h(Xθ)))]（标量的迹）=tr[(E−y)Tdlog(E−h(Xθ))]（矩阵乘法法则）=tr[−(E−y)T⊙E−h(Xθ))1⊙h(Xθ)⊙(E−h(Xθ))dXθ]（逐元素微分）=tr[−(E−y)T⊙h(Xθ)dXθ]
最终得：
∂
(
E
−
y
)
T
log
(
E
−
h
(
X
θ
)
)
∂
X
θ
=
[
−
(
E
−
y
)
T
⊙
h
(
X
θ
)
d
X
θ
]
T
=
−
(
E
−
y
)
⊙
h
(
X
θ
)
d
X
θ
=
y
⊙
h
(
X
θ
)
−
h
(
X
θ
)
\frac{\partial (\mathbf{E-y} )^{T} \log (\mathbf{E}-h(\mathbf{X\theta}))}{\partial \mathbf{X\theta}}=[-(\mathbf{E-y} )^{T}\odot h(\mathbf{X\theta})d\mathbf{X\theta} ]^{T} =-(\mathbf{E-y} )\odot h(\mathbf{X\theta})d\mathbf{X\theta}=\mathbf{y}\odot h(\mathbf{X\theta})- h(\mathbf{X\theta})
∂Xθ∂(E−y)Tlog(E−h(Xθ))=[−(E−y)T⊙h(Xθ)dXθ]T=−(E−y)⊙h(Xθ)dXθ=y⊙h(Xθ)−h(Xθ)
综上，最终得损失函数对参数的梯度：
∂
J
(
θ
)
∂
θ
=
−
(
∂
X
θ
∂
θ
)
T
∂
y
T
log
h
(
X
θ
)
∂
X
θ
−
(
∂
X
θ
∂
θ
)
T
∂
(
E
−
y
)
T
log
(
E
−
h
(
X
θ
)
)
∂
X
θ
=
X
T
[
−
y
+
y
⊙
h
(
X
θ
)
−
y
⊙
h
(
X
θ
)
+
h
(
X
θ
)
]
=
X
T
[
h
(
X
θ
)
−
y
]
\begin{aligned} \frac{\partial J(\theta )}{\partial \theta } &=-(\frac{\partial \mathbf{X\theta }}{\partial \theta })^{T} \frac{\partial \mathbf{y} ^{T}\log h(\mathbf{X\theta } )}{\partial \mathbf{X\theta } }-(\frac{\partial \mathbf{X\theta }}{\partial \theta })^{T} \frac{\partial (\mathbf{E-y} )^{T} \log (\mathbf{E}-h(\mathbf{X\theta}))}{\partial \mathbf{X\theta }} \\&=\mathbf{X} ^{T} [-\mathbf{y}+\mathbf{y}\odot h(\mathbf{X\theta })-\mathbf{y}\odot h(\mathbf{X\theta})+h(\mathbf{X\theta}) ] \\&=\mathbf{X} ^{T} [h(\mathbf{X\theta})-\mathbf{y}] \end{aligned}
∂θ∂J(θ)=−(∂θ∂Xθ)T∂Xθ∂yTlogh(Xθ)−(∂θ∂Xθ)T∂Xθ∂(E−y)Tlog(E−h(Xθ))=XT[−y+y⊙h(Xθ)−y⊙h(Xθ)+h(Xθ)]=XT[h(Xθ)−y]
则第
k
k
k次迭代的梯度向量为：
X
T
[
h
(
X
θ
k
)
−
y
]
\mathbf{X} ^{T} [h(\mathbf{X\theta}^{k})-\mathbf{y}]
XT[h(Xθk)−y]
第
k
+
1
k+1
k+1次的迭代值为：
θ
k
+
1
=
θ
k
−
λ
X
T
[
h
(
X
θ
k
)
−
y
]
\theta^{k+1}=\theta^{k}-\lambda\mathbf{X} ^{T} [h(\mathbf{X\theta}^{k})-\mathbf{y}]
θk+1=θk−λXT[h(Xθk)−y]
6.Logistic模型正则化
L1正则：
J
(
θ
)
=
−
y
T
log
h
(
X
θ
)
−
(
E
−
y
)
T
log
(
E
−
h
(
X
θ
)
)
+
λ
∣
∣
θ
∣
∣
1
J(\theta )=-\mathbf{y} ^{T}\log h(\mathbf{X\theta } )-(\mathbf{E-y} )^{T} \log (\mathbf{E}-h(\mathbf{X\theta}))+\lambda ||\theta ||_{1}
J(θ)=−yTlogh(Xθ)−(E−y)Tlog(E−h(Xθ))+λ∣∣θ∣∣1
L2正则：
J
(
θ
)
=
−
y
T
log
h
(
X
θ
)
−
(
E
−
y
)
T
log
(
E
−
h
(
X
θ
)
)
+
λ
∣
∣
θ
∣
∣
2
2
J(\theta )=-\mathbf{y} ^{T}\log h(\mathbf{X\theta } )-(\mathbf{E-y} )^{T} \log (\mathbf{E}-h(\mathbf{X\theta}))+\lambda ||\theta ||_{2}^{2}
J(θ)=−yTlogh(Xθ)−(E−y)Tlog(E−h(Xθ))+λ∣∣θ∣∣22
2765
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
