第七章 Logistic回归

本文详细介绍了Logistic回归的背景及其在分类问题中的应用。内容包括分类问题的阐述,Logistic回归的假设函数(使用sigmoid函数),决策边界的定义,代价函数的改写以适应非凸问题,以及高级优化算法如共轭梯度法、BFGS和L-BFGS在Logistic回归中的应用。此外,还讨论了一对多方法解决多元分类问题的策略。

1 分类问题

      在前面几章中我们用线性回归解决了一些问题

      在上图的分类中我们以0.5作为阈值,大于等于0.5肿瘤为恶性,反之为良性,但是这种情况并不适用于肿瘤大小继续增加的情况:

      这里即使样本中标签只有0和1两个值,但是应用线性回归算法后所得的函数结果很有可能远超0和1之间,为此引入了Logistic回归,它应用的范围就是y的取值只在0,1两个离散值之间。

2 假设函数

      由于Logistic回归的取值只在0和1之间,因此假设函数的输出变量同样应该在0和1之间,具体而言:

      h_{\theta }(x)=g(\theta ^{T}x) 

    

评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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