本文介绍了逻辑回归中涉及的net input函数、sigmoid激活函数以及量化器。逻辑回归不仅能预测类别，还能给出预测概率。文章详细阐述了逻辑回归的损失函数，通过平方和误差进行学习，并展示了不同类别样本的损失函数图像。正确预测正负样本时，损失函数趋向于0，预测错误则导致损失函数增大，以此对错误进行惩罚。
Net input function:
Z=
sigmoid function:
A=
Quantizer: 
逻辑回归不但预测出了事件所属类别，还能计算出事件发生的概率
通过平方和误差来学习逻辑回归损失函数：
逻辑回归损失函数推导：
不同类样本对应的损失函数图像：
如果准确将一个正样本预测为1，那么正样本对应的loss趋近于0，同样，如果准确将一个负样本预测为0，那么负样本对应loss也趋近于0，如果预测是错误的，那么loss会朝着无穷大趋近。所以用一个逐渐增大的cost来对预测错误的情况进行惩罚
2439
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
