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:
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。
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。
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:
2348

被折叠的 条评论
为什么被折叠?