本文深入浅出地介绍了逻辑回归的原理、损失函数及求解方法，详细阐述了KNN算法的工作原理，对比了KNN与K-Means的区别，并探讨了它们在实际场景中的应用。
常见问题及其回答
1.请你介绍一下你熟悉的机器学习模型或算法（以逻辑回归为例）
LR的原理
逻辑回归本质上是线性回归，只是在特征到结果的映射中加入了一层逻辑函数， g ( z ) = 1 1 + e − z {\rm{g}}(z) = \frac{1}{
{1 + {e^{ - z}}}} g(z)=1+e−z1，即：先把特征线性求和 z = w 0 + w 1 ∗ x 1 + . . . , + w n ∗ x n {\rm{z}} = {w_0} + {w_1}*{x_1} + ..., + {w_n}*{x_n} z=w0+w1∗x1+...,+wn∗xn,然后使用函数g(z)作为假设函数来预测。
逻辑回归用来分类0/1问题，也就是预测结果属于0或者属于1的二值分类问题，有模型：
p ( y = 1 ∣ x ) = g ( w T x ) = 1 1 + e − w T x p(y = 1|x) = g({w^T}x) = \frac{1}{
{1 + {e^{ - {w^T}x}}}} p(y=1∣x)=g(wTx)=1+e−wTx1
p ( y = 0 ∣ x ) = 1 − g ( w T x ) = e − w T x 1 + e − w T x p(y = 0|x) = 1 - g({w^T}x) = \frac{
{
{e^{ - {w^T}x}}}}{
{1 + {e^{ - {w^T}x}}}} p(y=0∣x)=1−g(wTx)=1+e
最低0.47元/天 解锁文章
扫一扫
2191
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
