机器学习介绍
机器学习可简单理解为给定一定的输入,通过施加一定的算法,得到输出,然后通过学到的知识,输入新的数据,获得新的输出;
意思就是有输入和输出,我们需要将由输入得到输出过程中用到的函数或算法找出来,并且给我们新的输入能够得到新的输出,重点在于如何找到算法或函数;比如找矩阵分解中的损失函数,找损失函数用到了梯度下降,只要找到梯度下降中的参数就能够找到损失函数,从而完成矩阵分解给出新的输入得到新的输出。
逻辑回归
逻辑回归简单讲它是线性回归的一种,事实上它是一个被logistic方程归一化后的线性回归,可以用于估计某事物的可能性或对流行病学资料的危险因素分析。例如,探讨引发疾病的危险因素,并根据危险因素预测疾病发生的概率等。以胃癌病情分析为例,选择两组人群,一组是胃癌组,一组是非胃癌组,两组人群必定具有不同的体征与生活方式等。因此因变量就为是否胃癌,值为“是”或“否”,自变量就可以包括很多了,如年龄、性别、饮食习惯、幽门螺旋杆菌感染等。然后通过逻辑回归,可以得到自变量的权重,从而可以大致了解到底哪些因素是胃癌的危险因素。同时根据该权值可以根据危险因素预测一个人患癌症的可能性。
可以理解为一个线性回归经过阶跃函数的处理,变成一个二项分类器,输出结果只能是“0~1”的条件概率的大小,其实是一种概率模型;如上述胃癌病情分析,输出结果的值只能为“是”或“否”。
对sigmoid函数进行逻辑回归
1.sigmoid函数它能够把任何一个线性的值转换为0或1;(注:sigmoid函数中是一元线性回归函数)
基于上述sigmoid的函数值域在(0,1)之间,这正可以表示一个概率值(暂不考虑该率为0或1的情况)。有一元线性回归函数,将sigmoid的函数中换成一元线性回归函数;
这样就完成机器学习的逻辑回归函数的查找;
有了输入输出并找到了逻辑回归中的函数,然后只需要求出函数中的参数和;
2.求解参数 ;
求解(可以堪称是的一个分量,这个时候对应的值默认为1);
求解有两种方法:a.最大似然估计法;b.从损失函数出发;
从损失函数出发:
这里引出对数损失函数或对数似然损失函数(即对函数取对数)
得到了逻辑回归的对数似然损失函数;
然后到这里求θ和b的方法和用似然估计的方法一样,可以使用梯度下降的方法;
最终迭代得: