逻辑回归模型
其实质是分类问题
1、模型的选取：我们想要我们的输出在0到1之间，因此形式为：
hθ(x)=g(θTx)
h
θ
(
x
)
=
g
(
θ
T
x
)
，其中，
g(x)=11+e−x
g
(
x
)
=
1
1
+
e
−
x
，即g(x)为sigmoid函数
2、决策边界：是对样本进行分类的边界，由假设函数的性质得到
3、代价函数的选取：要保证代价函数是线性的，以便其能最终收敛
进一步可以表示成：
cost(hθ(x),y)=−ylog(hθ(x))+(1−y)log(1−hθ(x))
cos
t
(
h
θ
(
x
)
,
y
)
=
−
y
log
(
h
θ
(
x
)
)
+
(
1
−
y
)
log
(
1
−
h
θ
(
x
)
)
4、多类别的分类问题：选定某一类样本为正，其余几类样本为负，训练一个分类器，最终可以得到多个分类器，再根据输入，选择一个最优的分类器，输出结果即可
5、拟合：在对数据进行选取假设函数的时候
1）欠拟合：即没有很好的拟合数据，与数据偏差过大2）过拟合：拟合数据太好，但函数过于复杂，变量太多且没有约束
解决过过拟合的方法：一是尽量减少变量的数量，二是正则化
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
