逻辑回归模型就是需要将预测结果划分为两种状态,一般为0和1。
所以我们引入一个可以将所有结果表示在0-1闭区间的函数:
y=1/(1+e^(-z))
z=θ*x
用J表示损失函数,计算交叉熵为损失函数的值。交叉熵函数可以衡量预测结果与实际结果的相似性。
离散变量的交叉熵计算:
,带入0-1的模型则如下
J=y*log(1/y_hat)+(1-y)*log(1/(1-y_hat)),化简如下:
J=-y*log(y_hat)-(1-y)*log(1-y_hat)
def cross_entropy(y, y_hat): n_samples = y.shape[0] return sum(-y*np.log(y_hat)-(1-y)*np.log(1-y_hat))/n_samples
优化模型如下:
θ=θ-α*(∂J/∂θ)
这里简单求一下偏导数就可以了,y是常数。
∂J/∂θ=(y_hat-y)*x
def optimize(theta,X,