【第三章】对数几率回归

1、复述分类任务的具体输出。

复述分类任务的具体输出是根据输入的文本，判断文本属于哪个类别，并输出该类别的标签。通常会使用机器学习算法对已有的数据进行训练，然后对新的文本进行分类。输出结果可以是文本所属的类别，也可以是每个类别对应的概率。

2、能够列出对数几率回归 Logistic regression 的基本公式，并解释每一部分的含义。

 3、能够熟练的陈列出线性回归模型和对数几率回归模型的异同。

 4、能够绘制出 Sigmoid 函数的函数图像，并根据图像阐述 Sigmoid 函数的性质。

得到的连续的输出映射到[0,1]变为概率值

 5、阐述对数几率回归模型对某一具体问题的求解过程。

6、了解最大似然的基本概念和思想。

 

 核心：想办法让观察样本出现的概率最大

7、能够推导出交叉熵损失的具体表达式并阐述交叉熵损失函数的具体涵义。

 y是真实的标签值(正类值为1，负类值为0)，y`是预测的概率值（y·∈(0,1)）.它表征真实样本标签和预测概率之间的差值.

8、能够解释为什么对数几率回归不能使用均方误差作为损失函数？

 9、了解多分类对数几率回归模型采用的阈值激活函数，并能列出其表达式。

 

 

 10、能够熟练的复述出 LDA 线性判别分析的基本思想。