机器学习之逻辑回归
来源:互联网 发布:沙沙网络 编辑:程序博客网 时间:2024/04/28 00:48
一、什么是逻辑回归?
回归的解释:
解释一:假设现在有一些数据点,我们用一条直线对这些点进行拟合,这个拟合过程就称为回归。
解释二:观察所有训练样本点(x,y)符合哪种公式,例如符合y = ax + b,回归就是对该公式的未知参数进行估计,和解释一类似。
逻辑的解释:
从字面意思看逻辑就是计算机中的0和1。但这里的解释是:逻辑回归用到了sigmoid函数,此函数也成为logistic函数,该函数能够将数值映射到0到1之间。
二、怎么用逻辑回归分类,为什么要用sigmoid函数进行分类?
逻辑回归一般用于两分类问题,当某个数大于阈值时,判为一类;某个数小于阈值时,判为另一类。单位阶跃函数很符合上述目的,可惜该函数很难物理实现,就用性质类似的sigmoid函数代替单位阶跃函数。如图该函数形状很像单位阶跃函数。
三、logistic回归可以看成是一种概率估计,怎么理解这句话?
逻辑回归中利用sigmoid函数将数值映射到0到1之间,我们可以理解为将数值归一化,归一化后的值和概率值(0-1之间)看起来一样,其实没有必然的联系。
四、为什么要进行归一化?
一般用在对一个物体的多个特征值进行归一化,使这几个特征具有可比性。
举例说明:
假设我们根据当地的鞋子销量、治安情况和当地运输成本来判断是否适合在当地开店。
鞋子销量:几百双到几千双;治安情况:用0-1之间的数;运输成本:几千元到几万元不等
如果我们根据特征值的平方根来判断是否在当地开店,由于鞋子销量和运输成本值特别大,而治安情况值特别小,我们会忽略掉治安情况这个特征,但实际中这几个特征同等重要,怎么体现同等重要,那就要将这几个特征值进行归一化后进行比较。
五、为什么求出代价函数的最小值时的参数即为最佳的拟合参数?为什么用梯度下降法?
拟合直线方程和代价函数方程:
当求出代价函数的最小值时,即此时拟合直线值和真实值最接近,拟合的效果最好,所以此时求出的参数就是最佳的拟合参数。
梯度下降法用于求函数的最小值,我们需要求出代价函数J的最小值,所以我们将二者结合使用。
六、随机梯度法和梯度下降法的联系
梯度下降法又称最速下降法。
随机梯度法,对应现代信号处理中LMS算法(Least Mean Square),其基本思想:在最速下降法的基础上,用瞬时平方误差的梯度代替均方误差梯度的估计值。
说明一点:瞬时梯度值时真实梯度值的无偏估计。
七、一般都是用梯度下降法求损失函数的最小值,为何这里用梯度上升法呢?
参考:http://blog.csdn.net/dongtingzhizi/article/details/15962797
八、什么是Normal Equations
参考:http://www.cnblogs.com/fxjwind/p/3626173.html
从此得出:
1、对于线性回归,也可以不用这种迭代最优的方式来求解,可以通过normal equations直接算出θ
2、解释为何线性回归的损失函数会选择最小二乘
3、真实值应该是以预测值为中心的一个正态分布
4、给出θ似然性的定义
给定训练集X和参数θ,预测结果等于真正结果的概率,等同于该θ为真实θ的可能性(似然性)
给定训练集X和参数θ,预测结果等于真正结果的概率,等同于该θ为真实θ的可能性(似然性)
5、最小二乘回归被认为是进行最大似然估计的一个很自然的方法
参考文献:
公开课笔记: 斯坦福大学机器学习第二课“单变量线性回归“
Coursera公开课笔记: 斯坦福大学机器学习第六课“逻辑回归”
Logistic regression (逻辑回归) 概述
0 0
- 机器学习之逻辑回归
- 机器学习之逻辑回归
- 机器学习之逻辑回归
- 机器学习之逻辑回归
- 机器学习之逻辑回归
- 机器学习之逻辑回归
- 机器学习之逻辑回归
- 机器学习之逻辑回归
- 机器学习之三逻辑回归
- R机器学习之二:逻辑回归
- 机器学习之逻辑回归基础
- 机器学习之——逻辑回归
- 机器学习之——逻辑回归
- Python机器学习实战之逻辑回归
- 机器学习读书笔记之9 - 逻辑回归
- 机器学习之逻辑回归改善模型
- 机器学习系列之逻辑回归
- 机器学习 之 逻辑回归算法
- Linux文件权限(一)
- php 实现简单链式二叉树 创建 和遍历
- python 批量修改图片的文件名
- 数据结构9:斐波那契数列表示与实现(递归)
- 加油加油
- 机器学习之逻辑回归
- 如何基于Web应用程序安全经验来开发云应用程序?
- Android 在定义string的xml文件中插入空格
- php xdebug 安装的问题 64位和32位
- 使用adt工具编译打包时报错
- 原创审计插件(过滤用户 IP)
- CSS学习笔记:id与class、padding和margin、min-height和height
- 你好
- Linux下Vi/Vim的使用方法