Coursera - Machine Learning, Stanford: Week 3

Overview

Logistic Regression

• Classification and Representation
  • Classification
  • Hypothesis Representation
  • Decision Boundary
• Logistic Regression Model
  • Cost Function
  • Simplified Cost Function and Gradient Descent
  • Advanced Optimization
• Multiclass Classification
  • Multiclass Classification: One-vs-all
• Review

Log

• 9/20: watched videos in 3.1

• 9/21: watched videos in 3.2, 3.3

• 第一次quiz没通过，3.2需要复习；

• 9/23: 过了一遍3.4视频，但没太听进去，需要重听；

• 2/15/2017: programming assignment done;

Reading

Note

3.1 Classification and Representation

• Logistic Regression is actually a classification algorithm.

• sigmoid function or logistic function

• Interpretation of Hypothesis Output

  • h(x) = estimated probability that y = 1 on input x

  • h(x) = p(y|x; theta), probability that y = 1 given x, parameterized by theta

• Decision Boundaries

• Linear Decision Boundaries

• Non-linear Decision Boundaries

3.2 Logistic Regression Model

• Logistic regression cost function

• simplified cost function

• Gradient Descent

  • Optimization algorithm

• • Gradient descent

  • Conjugate gradient

  • BFGS

  • L-BFGS

• • • Ad: no need to manually pick alpha; often faster than gradient descent

    • Disad: more complex

3.3 Multiclass Classification

• one-vs-all (one-vs-rest)

3.4 Solving the Problem of Overfitting (新版这部分已删除？)

• The problem of Overfitting – 过度拟合（Overfitting）

  • 例子：对一组适合二次多项式拟合的数据
    • 用一次多项式拟合，会造成underfit，high bias
    • 用四次多项式拟合，会造成overfit，high variance
  • 过度拟合的后果：可以很好地拟合现有数据（效用函数接近零），但缺乏新数据的预测能力
  • 如何防止
    • 减少feature：手动选择/依赖算法
    • 正则化

• Cost function – 效用/代价函数

  • • 线性回归的效用函数

      • 应用到hθ(x)效用函数非凸，会有很多局部极小存在，梯度下降不一定能得到全局最优

    • 逻辑回归的效用函数

  • • 选用以上效用函数后，梯度下降法具体操作同前

    • 另外还有共轭梯度conjugate gradient、BFGS、L-BFGS：不需指定步长，更快，但更复杂

• Regularization – 正则化

  • 在效用函数上添加对feature的惩罚项（平方和项）来达到减小feature值的目的

  • 若不知道需要减小哪些feature项就所有项都加一个平方和（除去常数系数项之外）

  • 若惩罚过重，拟合函数会变一条常数直线，underfitting

  • 正规化可以用于梯度下降方法和逻辑回归方法，修改效用函数后，其他步骤同前

• Regularized Linear Regression – 正则化线性回归

• Regularized Logistic Regression – 正则化逻辑回归

 

转载于:https://www.cnblogs.com/casperwin/p/6386736.html