逻辑回归(Logistic Regression
逻辑回归是解决分类问题的,如垃圾邮件分类、预测肿瘤是良性还是恶性、预测某人的信用是否良好等等。逻辑回归中有一个函数叫做Sigmoid Function或者Logistic Function,其中θ是参数矩阵,x是特征矩阵。如下:
逻辑回归预测函数
决策边界
可以看到下方图片,一条线把样本分为2部分,该线就是决策边界,把样本点代入该线方程,当小于0时和大于0时分别取一类。g(x)中的x即为决策边界。
逻辑回归代价函数
逻辑回归的代价函数如果还是选取以前的形式就会是非凸函数,即有很多局部最小值,所以逻辑回归的代价函数会有所改变。
当样本属于类别1时,代价函数如下图像:h表示预测值,cost表示误差。
将逻辑回归的代价函数2个公式改变形式合并为一个公式,如下:
一般用梯度下降法来求解逻辑回归,求导公式和过程如下:
逻辑回归一般是用来解决二分类的问题的,那么遇到多分类怎么办呢?假设我们有三个分类,可以做三个分类边界,每次两两分类就可以处理多分类的问题。
逻辑回归正则化
正确率/召回率/F1指标
下面列举一个例子,以上面的公式来求解正确率,召回率和F1值: