逻辑斯谛(Logistic)回归
来源:互联网 发布:cf刷点卷软件 编辑:程序博客网 时间:2024/05/17 05:00
Logistic回归模型
logistic分布
逻辑斯谛分布
设X是连续随机变量,X具有下列分布函数和密度函数
F(x)=P(X≤x)=11+e−(x−μ)/γ
f(x)=F′(x)=e−(x−μ)/γγ(1+e−(x−μ)/γ)2
密度函数和分布函数如图所示
分布函数图形是一条S形曲线。该曲线以点(μ,12) 位中心对称,即满足
F(−x+μ)−12=F(x+μ)+12
曲线在中心附近增长速度较快,两端较慢。
形状参数γ 的值越小,曲线在中心附近增长越快。
二项逻辑回归模型
二项逻辑回归模型是如下的条件概率分布
一个事件的几率(odds)是指该事件发生的概率与不发生的概率的比值。如果事件发生的概率是p,那么该事件的几率就是
对逻辑斯谛回归而言,由式(6.5)与式(6.6)得
逻辑回归模型中,输出Y=1的对数几率是输入x的线性函数。
模型参数估计
极大似然估计
设
似然函数为
对数似然函数为
对L(w)求极大值,得到w的估计值。
这样,问题就变成了以对数似然函数为目标函数的最优化问题。
通常采用梯度下降(这里是上升,最大化对数似然函数)法及拟牛顿法。
梯度下降法
设学习率为
多项逻辑斯谛回归
假设离散型随机变量Y的取值集合是
sigmoid函数的推导
根据对数几率回归推导
根据最大熵模型推导
http://blog.csdn.net/u012151283/article/details/77619799#t2
令
根据最大熵模型,有
参考资料
《统计学习方法》第6章
阅读全文
0 0
- 逻辑斯谛(Logistic)回归
- 逻辑(logistic)回归
- 逻辑回归(Logistic)
- 逻辑斯谛回归(Logistic regression)—《统计学习方法》
- 逻辑斯谛(logistic regression)回归
- 逻辑斯蒂回归(Logistic Regression)
- 逻辑斯蒂回归(Logistic Regression)
- 机器学习之Logistic回归(逻辑蒂斯回归)
- 逻辑回归(logistic regression)
- 逻辑回归(Logistic Regression)
- 逻辑回归(Logistic Regression)
- 逻辑回归(Logistic Regression)
- Logistic 逻辑回归(PySpark)
- 逻辑回归(Logistic Regression)
- 逻辑回归(Logistic Regression)
- 逻辑回归(Logistic Regression)
- Logistic Regression(逻辑回归)
- 逻辑回归(Logistic Regression)
- 【算法】求连续子数组的最大和
- 简单谈谈JS数组中的indexOf方法
- this使用的两种情况
- 微信小程序----常用组件
- Maven_插件和私服
- 逻辑斯谛(Logistic)回归
- Some projects cannot be imported because they already exist in the workspace
- 泛型以及泛型怎么实现总结?
- 由浅入深之Tensorflow(3)----数据读取之TFRecords
- 分割字符串(有一个字符串,其中包含中文字符、英文字符和数字字符, * 请统计和打印出各个字符的个数)
- vim 常用命令
- JAVA之Collection 集合容器框架(LinkedList,ArrayList,Map等解析)
- In Touch HDU
- Gym