西瓜书+实战+吴恩达机器学习(六)监督学习之逻辑回归 Logistic Regression

如果这篇文章对你有一点小小的帮助,请给个关注,点个赞喔,我会非常开心的~

0. 前言

逻辑回归,根据数据对分类边界进行回归,以此分类

y = σ ( w T x + b ) = 1 1 + exp ⁡ ( − w T x + b ) y=\sigma(w^Tx+b)=\frac{1}{1+\exp(-w^Tx+b)} y=σ(wTx+b)=1+exp(wTx+b)1

逻辑回归不仅仅输出类别,而且得到了近似概率的预测。

sigmoid图像表示如下(图源:机器学习):

1. 逻辑回归参数求解方法

使用极大对数似然定义代价函数:
J = − 1 m ∑ i = 1 m ( y ( i ) log ⁡ y ^ ( i ) + ( 1 − y ( i ) ) log ⁡ ( 1 − y ^ ( i ) ) ) J=-\frac{1}{m}\sum_{i=1}^m(y^{(i)}\log\hat{y}^{(i)}+(1-y^{(i)})\log(1-\hat{y}^{(i)})) J=m1i=1m(y(i)logy^(i)+(1y(i))log(1y^(i)))
使用梯度下降对其更新:
w j = w j − α 1 m ∑ i = 1 m ( y ^ ( i ) − y ( i ) ) x j ( i ) w_j=w_j-\alpha\frac{1}{m}\sum_{i=1}^m(\hat{y}^{(i)}-y^{(i)})x_j^{(i)} wj=wjαm1i=1m(y^(i)y(i))xj(i)

若样本集太大,则可采用随机梯度下降

遇到过拟合问题,同样可以使用正则化


如果这篇文章对你有一点小小的帮助,请给个关注,点个赞喔,我会非常开心的~

  • 1
    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