李宏毅机器学习 Machine_Learning_2019_Task5

学习目录

目录:
1、推导LR损失函数(1)
2、学习LR梯度下降(2)
3、Softmax原理(3)
4、softmax损失函数(4)
5、softmax梯度下降(5)

1、推导LR损失函数

逻辑回归中选择 Sigmoid函数作为预测函数。
Sigmoid函数: g ( z ) = 1 1 + e − z g(z)=\frac{1}{1+e^-z} g(z)=1+ez1
由这个函数可得:当z趋于正无穷时,g(z)趋于1,而当z趋于负无穷时,g(z)趋于0。
对该函数求导有: g ′ ( z ) = g ( z ) ( 1 − g ( z ) ) g'(z)=g(z)(1-g(z)) g(z)=g(z)(1g(z))
具体推导过程参考先前文章。

# Sigmoid曲线:
import matplotlib.pyplot as plt
import numpy as np


def Sigmoid(x):
    return 1.0 / (1.0 + np.exp(-x))

x = np.arange(-10, 10, 0.1)
h = Sigmoid(x)  # Sigmoid函数
plt.plot(x, h)
plt.axvline(0.0, color='k')
plt.axhline(y=0.5, ls='dotted', color='k')
plt.yticks([0.0,  0.5, 1.0])  # y axis label
plt.title(r'Sigmoid函数曲线', fontsize = 15)
plt.text(5,0.8,r'$y = \frac{1}{1+e^{-z}}$', fontsize = 18)
plt.show()

在这里插入图片描述

2、学习LR梯度下降
  • 随机梯度下降法( Θ j \Theta j Θj)推到:
    在这里插入图片描述
  • 梯度下降代码实现:
  • LR算法实现及分析
在这里插入代码片
3、Softmax原理

在这里插入图片描述
softmax的函数公式:
在这里插入图片描述

4、softmax损失函数
5、softmax梯度下降
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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