Classification and logistic regression离散型:分类问题
来源:互联网 发布:我的世界手机java版 编辑:程序博客网 时间:2024/06/01 07:13
当事件结果取值离散,只有有限个时,不再适合用线性回归。假设现在取值只有0,1:我们实际上可以利用这一点,做出更好的预测。
我们选择假设函数:
至于为什么选这个,以后会讲到。
如果学过电子技术的话,会发现这个函数g很像阶跃函数:它在z小于0时取值近似0,z大于0时近似为1.
假设函数h的取值介于0-1之间,与其直接把它当作最终结论取值,把它当作概率值更加合适:
我们假设:
实质上,这样假设是为了更方便地写出拟然函数,也就是更方便地得到更新参数θ地方式。
y明显服从以h函数为参数的伯努利分布,那么:
我们要最大化L函数。
这里稍微讲一个常用技巧:对数化。对于上面这样由很多项相乘的函数,一般不太容易求其最值,如果有一定的数学感觉的话,很容易知道连乘函数明显不如累加函数易于处理。我们又知道,对数函数在其定义域内严格递增,这是很好的性质,我们对连乘函数套上对数函数后,其最值对应的自变量取值不变。
经过推导:
那么更新θ的方式为:
课堂上老师并没有说明这个h函数到底怎么用,怎么预测事件结果,实际上,h函数代表了y=1的概率,那么我们得到的h>0.5时,就将它归类为y=1即可。
阅读全文
0 0
- Classification and logistic regression离散型:分类问题
- Multi-class Classication (多分类问题)实例--手写数字识别
- [翻译][Paper][WWW'10]Classification-Enhanced Ranking
- [翻译][Paper][WWW'10]Classification-Enhanced Ranking (2)
- 1:ImageNet Classification with Deep Convolutional Neural Networks
- APAC- Augmented PAttern Classification with Neural Networks
- 机器学习基石 8.4 Weighted Classification
- Logistic Regression 分类算法
- 第三讲.Classification and logistic regression (分类及logistic回归 / 二分类和多分类)
- 分类和逻辑回归(Classification and logistic regression)
- 分类和逻辑回归(Classification and logistic regression)
- Softmax Regression and Logistic Regression
- Linear Regression and Logistic Regression
- Classification and logistic regression
- Logistic Regression and SVM
- Logistic Regression 学习笔记 : 解决概率预估或者分类问题
- 《机器学习》——logistic regression分类问题
- [Coursera机器学习]Multi-class Classication and Neural Networks WEEK4编程作业
- Shape 类型属性参数全解
- Activiti流程定义查询
- c#设计模式之桥接模式
- 【OPNET学习系列文章之6】建立路由表
- 优化器及自动化调超参数
- Classification and logistic regression离散型:分类问题
- 二进制与十六进制相互转换
- Professional JS(三.Language basic-syntax&keywords&reserved&variables&half data type)&黑画(5)
- 在 Laravel 的 Blade 模版中定义变量
- centos 下修改用户密码
- halcon学习笔记——Image,region,xld初步
- [leetcode]628. Maximum Product of Three Numbers
- 最小的K个数
- PAT甲级真题及训练集(15)--1005. Spell It Right (20)