机器学习(Machine Learning)心得体会(2)逻辑回归Exercise 2:Logistic Regression

最新推荐文章于 2022-11-27 21:14:05 发布

刘粽_Jon

最新推荐文章于 2022-11-27 21:14:05 发布

阅读量1.7k

点赞数 2

分类专栏：机器学习文章标签：机器学习 machine learning 逻辑回归 Logistic Regression

本文链接：https://blog.csdn.net/zongzongzong2015/article/details/50350100

版权

本文基于吴恩达的机器学习课程，探讨逻辑回归在分类问题中的应用，包括理解逻辑回归从线性回归的差异，sigmoid函数的引入，以及如何通过梯度下降法优化代价函数。此外，还讨论了正则化在防止过拟合和欠拟合中的作用，并通过实例展示了不同lambda值对模型拟合的影响。

摘要由CSDN通过智能技术生成

本文是观看斯坦福大学吴恩达老师的机器学习视频后的一些心得体会和总结，以及作业题中的关键代码，大家可以共同讨论进步。

之前的线形回归是对结果为连续量的数据集做出一个拟合，比如拟合出一条直线，而逻辑回归是要对结果为离散量的数据集能够产生一个预测机制，比如输出为0或者1，这就是一个离散量的输出，不管输入何值，输出必然是0或者是1，所以，逻辑回归要做的事情就是预测结果是0还是1，进一步说，就是做一个分类器。

作业中，我们有这样一个数据集，输入为X1,X2,而输出则是0或是1，我们可以运用如下代码，画出更为直观的图像。

% Find Indices of Positive and Negative Examples
pos = find(y==1); neg = find(y == 0);
% Plot Examples
plot(X(pos, 1), X(pos, 2), 'k+','LineWidth', 2, ...
'MarkerSize', 7);
plot(X(neg, 1), X(neg, 2), 'ko', 'MarkerFaceColor', 'y', ...
'MarkerSize', 7);

plotData.m中我们要写的代码

我们得到的图像

线性回归中，h=X*theta'，但是对于我们逻辑回归，由于输出是离散的，所以继续套用这个公式，很明显得到的输出值不是我们想要的，于是我们引入了一个函数sigmoid(z)=1/(1+exp(-z))，我们令z=X*theta‘，则h=sigmoid(X*theta')。由于sigmoid函数大于0小于1，以（0，0.5）中心对称，当h大于0.5时࿰

最低0.47元/天解锁文章