逻辑回归(Logistic Regression) 总结

本文总结了逻辑回归的基本概念,包括逻辑回归的假设函数hθ(x),如何用最大似然估计求解参数,并介绍了使用梯度下降法优化模型的过程。通过逻辑回归,模型不仅输出分类,而是给出一个概率值,这使得其在二分类问题中独具特色。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

本文是我在学习了逻辑回归课程之后的总结,文中所阐述的内容仅仅是我个人的理解,如有错误或疏漏,欢迎大家批评指正。

1.逻辑回归的假设函数

在分类问题中,二分类问题有着很重要的地位,例如在判断某人是否得某种病,或者某封邮件是否为垃圾邮件等等的场景中都会用到。考虑二分类问题,对于任意输入,输出结果应该只有两种情况,即{ 0,1}\left\{ 0, 1 \right\}{ 0,1} ,我们要找的假设函数 h(x)h(x)h(x) 需要符合这个标准,由此引入 logistic function:
g(z)=11+e−zg(z) = \frac{1}{1+e^{-z}} g(z)=1+ez1
他的函数图像:
图像是一条形如“S”的曲线
假设函数可以写为:
hθ(x)=11+e−θTxh_{\theta}(x) = \frac{1}{1+e^{-\theta^{T}x}} hθ(x)=1+eθTx1

让我们来理解一下,假设函数输出的是一个 (0, 1) 之间的数,可以把这个数看作是 yyy 为 1 的可能性,如果假设函数的输出为 0.90.90.9,可以认为这一组样本的输出结果为 1 的概率就比较大。由此可以写出下面的式子
P(y=1∣x;θ)=hθ(x)=g(θTx)P(y=1|x;\theta)=h_{\theta}(x)=g(\theta^{T}x) P(y=1x;θ)=hθ(x)=g(θTx)
P(y=0∣x;θ)=1−P(y=1∣x;θ)=1−hθ(x)=1−g(θTx)P(y=0|x;\theta)=1-P(y=1|x;\theta)=1-h_{\theta}(x)=1-g(\theta^{T}x) P(y=0x;θ)=1P(y=1x;θ)=1hθ(x)=1g(θTx)
这两个式子可以合并为一个式子,无论在 yyy 为 0 或者 1 时都成立:
P(y∣x;θ)=hθ(x)y(1−hθ(x))1−yP(y|x;\theta) = h_{\theta}(x)^{y} (1-h_{\theta}(x))^{1-y} P(yx;θ)=hθ(x)y(1hθ(x))1y
·

2.最大似然估计(Maximum Likehood Estimation, MLE)

最大似然估计的意思是在模型已经确定的情况下,求解最有可能让这个模型出现的参数,这是一个逆推的过程。常用八个字概括“模型已定,参数未知”。
根据最大似然估计,写出似然函数,通俗来说就是你拿到的这个模型长这样,这件事发生的概率是多少呢,用似然函数来表示:
L(θ)=∏i=1mP(y(i)∣x(i);θ)L(\theta) = \prod_{i=1}^{m} P(y^{(i)}|x^{(i)};\theta) L(θ)=i=1mP(y(i

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值