本文深入探讨逻辑回归的假设函数意义，解释如何通过假设函数hθ(x)确定样本分类，例如θTx≥0表示正向类，θTx≤0表示负向类。通过实例分析，展示如何利用不同形状的假设函数适应复杂决策边界，强调决策边界是假设函数的属性，而非训练集属性。
本文重点
本节课程讲解决策边界这个概念，它能够帮助我们理解逻辑回归的假设函数究竟的意义是什么？
逻辑回归的假设函数：
上节课程中我们说过，逻辑回归的假设hθ(x)可以直观的理解为样本x对应y=1的概率p，也就是说在逻辑回归中是这样完成分类的：
当hθ(x)≥0.5时y=1，此时z≥0，样本x为正向类
当hθ(x)≤0.5时y=0，此时z≤0，样本x为负向类
又因为z=θTx，所以我们可以说：
θTx≥0的时候y=1，样本x为正向类
θTx≤0的时候y=0，样本x为负向类
举例1
现在假设我们有一个训练集如下所示：
我们可以看出这个数据集中每个样本有两个特征，分别为特征x1和x2,此时逻辑回归的假设函数为：
假设我们现在已经通过梯度下
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
