机器学习-逻辑回归背后的数学.docxVIP

? ? 跟我学机器学习 -- 逻辑回归背后的数学 ? ? 逻辑回归模型示意图： 输入：x1、x2和x3 权重：theta1、theta2和theta3 输出：快乐、悲伤 二十世纪早期，逻辑回归应用在生物科学。后来应用在社会科学的多个方面。逻辑回归被用来解决分类问题。例如： （1）预测一封邮件是否为垃圾邮件 （2）预测肿瘤是否为恶性的 为什么我们需要逻辑回归？ 假设这样一个场景：预测邮件是否为垃圾邮件（或癌症是否为恶性）。如果使用线性回归，需要设置一个分类阈值。假设真实分类为恶性，预测出的连续值是0.4，阈值是0.5，数据将被预测为良性，在实际中会导致严重后果。 从上面的例子来看，线性回归不适合分类问题。线性回归的输出是无界的，因此需要引入 逻辑回归。逻辑回归的输出严格限制在0到1之间。 简单线性回归 代码链接: /SSaishruthi/LogisticRegression_Vectorized_Implementation/blob/master/Logistic_Regression.ipynb 模型 输出 = 0或1 假设 = Z=WX+B hΘ(x) = sigmoid (Z) sigmoid函数图像 若Z趋近正无穷大，Y（predicted） 趋近1；若Z趋近负无穷大，Y（predicted） 趋近0。 假设分析：假设函数的输出是估计的概率值。当给定一个输