逻辑回归(Logistic Regression)

本文介绍如何利用梯度下降法求解Logistic回归中的参数优化问题,并提出了一种改进的方法来提高收敛速度和准确性。通过具体公式推导展示了权重更新的过程。

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

1.推导

      sigmoid函数

2式可以简化为

使用梯度下降法求J(θ)的最小值,θ的更新过程:

    for k in range(maxCycles):              #heavy on matrix operations

        h = sigmoid(dataMatrix*weights)  

        error = (labelMat - h)              #vector subtraction

        weights = weights + alpha * dataMatrix.transpose()* error

    return weights

3.改进

    for j in range(numIter):

        dataIndex = range(m)

        for i in range(m):

            alpha = 4/(1.0+j+i)+0.0001    #apha decreases with iteration, does not

            randIndex = int(random.uniform(0,len(dataIndex)))#go to 0 because of the constant

            h = sigmoid(sum(dataMatrix[randIndex]*weights))

            error = classLabels[randIndex] - h

            weights = weights + alpha * error * mat(dataMatrix[randIndex]).transpose()

            del(dataIndex[randIndex])//?不放回

 

http://blog.jobbole.com/113182/

https://www.cnblogs.com/alfred2017/p/6627824.html

 

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