機器學習筆記(六)邏輯回歸
阿新 • • 發佈:2017-05-10
邏輯回歸 alt 表示 結果 不變 改變 最小值 nbsp 可能性
一、邏輯回歸問題
二分類的問題為是否的問題,由算出的分數值,經過sign函數輸出的是(+1,-1),想要輸出的結果為一個幾率值,則需要改變函數模型
,其中,,
則邏輯回歸的函數為
二、邏輯回歸錯誤評價
線性分類和線性回歸的模型為:
其中的線性分數函數均為,邏輯回歸有同樣的分數函數,模型為
邏輯回歸的理想函數為
對於函數f(x),在數據情況下,D的所有數據在函數下的聯合概率為
,我們想要的模型h要使,則對於h來說,在數據D中也符合,
要使需要找到一個g使它發生的可能性最大,即
由
p(x1),p(x2),p(xn)對於已知的數據資料來說是不變的,計算時可以忽略,可知
即求得最大的,由相乘轉化為對數求相加,並且加負號轉化為求得最小值
可知
三、梯度下降,求得最小的w
對於平滑的凸函數,要求得使W最小的地方即梯度等於0的地方
,即
由
最終對於所有w的梯度為
想要,如果為0公式成立,但這需要都遠遠大於0,這意味著數據資料要線性可分,但實際情況的大多數的數據資料不一定線性可分,並且含有噪聲影響,所以為0不能實現,所以使用梯度下降的PLA算法來逐漸叠代,表示為
最終可表示為,其中,
則邏輯回歸的算法為下圖,一般取值為0.1
機器學習筆記(六)邏輯回歸