机器学习模型| 监督学习| 逻辑回归算法

 

逻辑斯蒂回归

  线性回归的问题 —— 怎样判断肿瘤是否恶性?

         

 

 

 

     线性回归健壮性不够,一旦有噪声,立刻“投降”

   

 

逻辑斯蒂回归 —— 分类问题

     

 

 

 

Sigmoid函数(压缩函数) 0-1之间阶跃函数的平滑   --  解决阶跃函数非线性度不够的问题

   redu线性整流函数,比阶跃好点

       

 

 

         

我们将线性回归拟合出来的值用压缩函数进行压缩,压缩完成后用 0.5 做一个概率的判定边界,就能把样本分成两类,即正样本和负样本;

          

 

 

     

 

 

 

sigmoid函数中(神经网络中用的多),e-z 中 z 的正负决定了 g(z) 的值最后是大于 0.5 还是小于 0.5;即 z 大于 0 时,g(z) 大于 0.5,z 小于 0 时,g(z)小于 0.5
当 z 对应的表达式为分类边界时,恰好有分类边界两侧对应 z 正负不同,也就使得分类边界两边分别对应 g(z)>0.5 和 g(z)<0.5,因此根据 g(z) 与 0.5 的大小关系,就可以实现分类

逻辑斯谛回归损失函数

平方损失函数的问题

           

 

             

 

   

 

    

 

      h(oX)为预测值,y是真实值;

 

             

 

 梯度下降法求解

机器学习or监督学习的目的就是这个梯度下降函数(损失函数 和正则画像

 

转载于:https://www.cnblogs.com/shengyang17/p/11442355.html

  • 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