吴恩达机器学习(Logistic回归)

Logistic回归

Logistic是用来分类的,是一种线性分类器,需要注意的地方有:

Logistic回归算法输出值或者是预测值介于0–1之间。
为了满足输出值介于0–1之间,因此提出的假设函数与线性回归的函数不同,
假设函数
  1. logistic函数表达式为:
吴恩达机器学习(Logistic回归)_第1张图片
g(z)函数的图像如下图所示
吴恩达机器学习(Logistic回归)_第2张图片
决策边界的概念让我们更好地理解假设函数在计算什么。决策边界不是训练集的属性,而是假设本身及其参数的属性,只要给定参数向量θ,边界就确定了,不是用训练集确定的决策边界,一旦有了参数向量θ,就确定了决策边界。
吴恩达机器学习(Logistic回归)_第3张图片
如何拟合Logistic回归模型中的参数向量θ
因为确定了参数向量θ,就能确定决策边界。
定义用来拟合参数向量θ的优化目标或者叫代价函数

代价函数
吴恩达机器学习(Logistic回归)_第4张图片
找出让J(θ)取得最小值的参数θ
吴恩达机器学习(Logistic回归)_第5张图片

老套路!使用梯度下降法找出让J(θ)取得最小值时,θ的值。

公式:
在这里插入图片描述
代入J(θ)得:
这里的h(x)与线性回归中的h(x)不是一回事
在这里插入图片描述
多元分类:一对多
类仿二分类
吴恩达机器学习(Logistic回归)_第6张图片

其中:
  在这里插入图片描述
在给定x的条件下y=1的概率为θ

Logistic回归优点:

1、实现简单;

2、分类时计算量非常小,速度很快,存储资源低;

缺点:

1、容易欠拟合,一般准确度不太高

2、只能处理两分类问题(在此基础上衍生出来的softmax可以用于多分类),且必须线性可分;

你可能感兴趣的:(机器学习,机器学习)