本文介绍了逻辑回归作为监督学习的一种，强调了其在分类问题中的应用，特别是使用sigmoid函数作为分类边界线的确定。文章通过解释sigmoid函数的性质和逻辑回归的优缺点，阐述了如何寻找最佳回归系数，并提供了基于梯度上升算法的简单实现示例。
逻辑回归
逻辑回归实际上是一种监督学习，需要搞清楚的一个问题是什么叫回归？ 回归可以简单的理解为，假设现在有一些数据点，我们用一条直线对这些数据点进行拟合，拟合的这个过程就叫回归。利用logistics回归进行分类的主要思想是：根据现有数据，对分类边界线进行回归的过程。
logistics回归它的优点是计算代价不高，易于理解和实现，但是它可能因为拟合度不高，导致分类精度不高。 对数值型和标称型变量都适用。
个人理解，实际上就是要找到不同分类的“边界线”，而且这条边界线的精度越高越好。它实际上应该是一个二值型分类器。
现在我们要解决的问题就是：当我输入一个物体的时候，能够存在一个函数，这个函数它能给一个答案：0或者1。也就是给出我输入这个物体的种类。 实际上数学上存在这种函数：单位阶跃函数。但是单位阶跃函数的的阶跃点不好控制，所以一般使用sigmiod函数来代替。sigmoid函数的数学表达式为：
最低0.47元/天 解锁文章
745
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
