逻辑斯特回归详解
本文深入探讨逻辑斯特回归原理，包括其作为判别式模型的工作机制、似然函数最大化过程及梯度下降法的应用。同时对比生成模型，分析各自优势，并介绍解决非线性可分问题的方法。
逻辑斯特回归
Discriminative Model
——判别式模型
Function set
σ(z)=11+exp(−z)Pw,b(C1∣x)=σ(z)z=w∗x+b=∑iwixi+b \sigma(z)=\frac{1}{1+exp(-z)}\\ P_{w,b}(C_1|x)=\sigma(z)\\ z=w*x+b=\sum_iw_ix_i+b σ(z)=1+exp(−z)1Pw,b(C1∣x)=σ(z)z=w∗x+b=i∑wixi+b
因此我们的Function Set：
fw,b(x)=Pw,b(C1∣x)=σ(z) f_{w,b}(x)=P_{w,b}(C_1|x)=\sigma(z) fw,b(x)=Pw,b(C1∣x)=σ(z)
因为z经过了逻辑斯特回归曲线，因此输出在0-1之间
Goodness of a Function
给定一组w和b
L(w,b)=fw,b(x1)fw,b(x2)(1−fw,b(x3))...fw,b(xN) L(w,b)=f_{w,b}(x^1)f_{w,b}(x^2)(1-f_{w,b}(x^3))...f_{w,b}(x^N) L(w,b)=fw,b(x1)fw,b(x2)(1</
最低0.47元/天 解锁文章
扫一扫
4535
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
