逻辑回归(Logistic Regression)

本文深入探讨了逻辑回归在分类问题中的应用,包括二元分类的实例,如邮件过滤和金融欺诈检测。介绍了逻辑回归的假说表示,其中线性模型与S形函数结合形成决策边界。通过θ参数,确定了当预测概率大于0.5时预测为正类。文章详细阐述了代价函数的定义、化简和梯度下降算法在求解最优参数中的作用。此外,还讨论了多类别分类问题的解决策略,如‘一对余’方法。
摘要由CSDN通过智能技术生成

一、分类问题

1.1 举例(二元)

①判断一封电子邮件是否是垃圾邮件
②判断一次金融交易是否是欺诈
③判断一个肿瘤是恶性的还是良性的

1.2逻辑回归算法

将所有训练样本的标签y都等于0或1

二、假说表示

2.1 线性模型

在这里插入图片描述
①当hθ ≥ 0.5时,预测y=1
②当hθ<0.5时,预测y=0

2.2 逻辑回归

逻辑回归模型假设:hθ(x)=g(θTX)
X:特征向量
g:一个常用的逻辑函数,S形函数,公式为:g(z)= 1 1 + e ( − z ) \frac{1}{1+e(^-z^)} 1+e(

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值