【Machine Learning】逻辑回归 Logistic Regression

【公式】

s形函数：

【Logistic regression cost function】

重申：cost function表示预测值和实际值的平方差

设

h_θ(x)之前已经定义，由于y只能等于1或者0，则J（θ） 可变型如下

那What should do Next is find out min_θJ（θ）的 θ 值了

如前几章所讲，由求导求出最小的值

【求导步骤】

先贴一张链式法则求三层以上的复合函数的导数：

然后J(θ)可以变形成

带入公式，再求导可以得出：

设 则有:

将g1带入公式

将k g(θ)带入

【Useful Function】

matlab中已经帮我们做好了优化 θ 的辅助函数，我们只要写好cost function并告诉系统就可以了

jVal 是 cost function 的表示，比如设有两个点（1,0,5）和（0,1,5）进行回归，那么就设方程为hθ(x)=θ1x1+θ2x2;
则有costfunction J(θ)： jVal=(theta(1)-5)^2+(theta(2)-5)^2;

在每次迭代中，按照gradient descent的方法更新参数θ：θ(i)-=gradient(i),其中gradient(i)是J(θ)对θi求导的函数式，在此例中就有gradient(1)=2*(theta(1)-5), gradient(2)=2*(theta(2)-5)。如下面代码所示：

 【Run】

1.  options = optimset('GradObj','on','MaxIter',100);  
2.  initialTheta = zeros(2,1)  
3.  [optTheta,functionVal,exitFlag] = fminunc(@costFunction,initialTheta,options);  

‘GradObj’， Use the GradObj option to specify that FUN also returns a second output argument G that is the partial derivatives of the function df/dX, at the point X.

[theta, cost] = fminunc(@(t)(costFunction(t, X, y)), initialtheta, options);

@(t) ( costFunction(t, X, y) ) . This creates a function, with argument t, which calls your costFunction.

 

来源： <http://blog.csdn.net/abcjennifer/article/details/7716281>

来源： <http://feature-space.com/en/post24.html>