- 1、本文档共11页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
Logistic回归(逻辑回归)总结.pdf
Logistic 回归总结
作者:靠谱哥
微博:洞庭之子-Bing
(2013 年11 月)
(本文为作者原创,转载请注明出处)
出处:/dongtingzhizi/article/details
1 引言
看了Stanford 的Andrew Ng 老师的机器学习公开课中关于Logistic Regression 的
讲解,然后又看了《机器学习实战》中的Logistic Regression 部分,写下此篇学
习笔记总结一下。
首先说一下我的感受,《机器学习实战》一书在介绍原理的同时将全部的算法
用源代码实现,非常具有操作性,可以加深对算法的理解,但是美中不足的是
在原理上介绍的比较粗略,很多细节没有具体介绍。所以,对于没有基础的朋
友(包括我)某些地方可能看的一头雾水,需要查阅相关资料进行了解。所以
说,该书还是比较适合有基础的朋友。
本文主要介绍以下三个方面的内容:
(1) Logistic Regression 的基本原理,分布在第二章中;
(2 ) Logistic Regression 的具体过程,包括:选取预测函数,求解Cost 函数和
J ,梯度下降法求J 的最小值,以及递归下降过程的向量化
(vectorization ),分布在第三章中;
(3 ) 对《机器学习实战》中给出的实现代码进行了分析,对阅读该书Logistic
Regression 部分遇到的疑惑进行了解释。没有基础的朋友在阅读该书的
Logistic Regression 部分时可能会觉得一头雾水,书中给出的代码很简单,
但是怎么也跟书中介绍的理论联系不起来。也会有很多的疑问,比如:
一般都是用梯度下降法求损失函数的最小值,为何这里用梯度上升法呢?
书中说用梯度上升发,为何代码实现时没见到求梯度的代码呢?这些问
题在第三章和第四章中都会得到解答。
文中参考或引用内容的出处列在最后的“参考文献”中。文中所阐述的内容仅
仅是我个人的理解,如有错误或疏漏,欢迎大家批评指正。下面进入正题。
2 基本原理
Logistic Regression 和Linear Regression 的原理是相似的,按照我自己的理解,
可以简单的描述为这样的过程:
1. 找一个合适的预测函数(Andrew Ng 的公开课中称为hypothesis ),一般表
h
示为 函数,该函数就是我们需要找的分类函数,它用来预测输入数据的判
断结果。这个过程时非常关键的,需要对数据有一定的了解或分析,知道或
者猜测预测函数的“大概”形式,比如是线性函数还是非线性函数。
h
2. 构造一个Cost 函数(损失函数),该函数表示预测的输出( )与训练数
y
据类别( )之间的偏差,可以是二者之间的差(h y )或者是其他的形
式。综合考虑所有训练数据的“损失”,将Cost 求和或者求平均,记为
J 函数,表示所有训练数据预测值与实际类别的偏差。
h
3. 显然,J 函数的值越小表示预测函数越准确(即 函数越准确),所以
这一步需要做的是找到J 函数的最小值。找函数的最小值有不同的方法,
Logistic Regression 实现时有的是梯度下降法(Gradient Descent )。
3 具体过程
3.1 构造预测函数
Logistic Regression 虽然名字里带“回归”,但是它实际上是一种分类方法,
文档评论(0)