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:
- X是一个??维的向量(相当于有??个特征的特征向量);
- 训练预测值?:?∈(0,1);
- 特征权重w:w是一个??维向量;
- 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:
- 如果z→+∞,那么σ(z)=1;
- 如果z→−∞,那么σ(z)=0;
- 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: