Coursera机器学习笔记2

Week 3

3.1 logistic回归模型

分类问题

为什么分类不用回归来做？

image1.png

超过0和1的部分没法解释；受个别数据的影响较大。

logistic函数

image2.png

决定边界

对于logistic回归：
y取到1或0

image3.png

决定边界即为=0.5的值

Cost function

为了求theta的值我们定义cost function，当函数取得最小值我们就得到了最优的参数值。logistic回归的cost function不能跟线性回归的一样定义，因为这样定义的cost function不是convex的，很容易取到local optima。
定义的cost function如下：

image4.png

简化的cost function

可以把前面的cost function化简到一个式子里：

image5.png

它的向量化表示为：

image6.png

梯度下降应用

梯度下降算法：

image7.png

问题：这里的微分怎么求？？？

image8.png

参数更新的向量表示：

image9.png

进阶优化算法

为了优化theta，除了梯度下降算法以外，还有其他的算法是"Conjugate gradient", "BFGS", 和 "L-BFGS" 。它们通常更复杂，也更快。

编写代码的思路是，先完成下面这个函数

image10.png

再利用自带的 "fminunc()" optimization algorithm 和 "optimset()" function求解

image11.png

3.2 多分类

多分类问题

当分类问题中类别超过两个时，分类问题可以这样描述：

image12.png

我们需要分成三类时，就做三次logistic分类：

image13.png

hθ(x)对于每个i是：当输入为x，取到的y为第i类的概率
x的类别为取到最大概率的y

3.3 解决过拟合问题

过拟合

下面三个图分别代表了underfiting,just right,overfitting:

image14.png

通常解决方法有下面两种：

image15.png

cost function

image16.png

我们希望取到左图的theta而不是右图，想法是把后两个参数的系数变得很大
最后的cost function形式如下：

image17.png

正则化线性回归

正则方法既可以用于线性回归，也可以用于logistic回归。
正则化后的线性回归cost function变成了：

image18.png

再用梯度下降算法求它的最小值：

image19.png

而用normal equation来求值，我们得到：

image20.png

正则化logistic回归

同线性回归一样，对logistic回归进行正则化以后梯度下降算法变成了：

image21.png

在matlab中，我们用进阶的优化算法来代替梯度下降算法：

image22.png