第五篇： 逻辑回归(Logistic Regression)

1、应用场景: 该算法适用于二分类算法；

 

2、Hypothesis Function(假设函数);

 

3、实例:Cat vs No-Cat

给定一个输入的特征向量x，用?表示的一只猫的图片的概率大小，即?=P(y=1/x)，其中0≤?≤1；

逻辑回归的 参数定义：

1. X是一个??维的向量(相当于有??个特征的特征向量);
2. 训练预测值?:?∈(0,1);
3. 特征权重w:w是一个??维向量；
4. 偏差b：b∈ℝ；

 在逻辑回归中，?是一个非线性函数，即? =σ(x+b);

从图中我们可知:

1. 如果z→+∞,那么σ(z)=1;
2. 如果z→−∞,那么σ(z)=0；
3. 如果z=0;那么σ(z)=0.5；

因此，当你实现逻辑回归时，你的工作就是让机器去学习参数w和b,但是经常让参数w和b分开，在这里参数b对应的是一种偏置，这样才使得?成为对?=1这一情况的概率的一个很好的估计。

 

其他符号表示：