本文详细介绍了Logistic回归的核心概念，包括其最大化条件似然度的学习目标，以及为何选择sigmoid函数来定义条件概率。sigmoid函数的特性使得Logistic回归能够将线性分类器的响应值映射到概率空间，并有效地处理二分类问题。
一、逻辑回归的目标
知乎用户谢澎涛是这样解释逻辑回归的目标的
设计一个分类模型，首先要给它设定一个学习目标。
在支持向量机中，这个目标是max-margin；
在adaboost中，目标是优化一个指数损失函数。
那么在logistic regression （LR）中，这个目标是什么呢？
最大化条件似然度。考虑一个二值分类问题，训练数据是一堆（特征，标记）组合，（x1,y1), (x2,y2), .... 其中x是特征向量，y是类标记（y=1表示正类，y=0表示反类）。LR首先定义一个条件概率p(y|x；w）。 p(y|x；
最低0.47元/天 解锁文章
扫一扫
3329
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
