From 208763a720b3dc1d5ba4aa68cfb91abcf111496b Mon Sep 17 00:00:00 2001 From: jiangzhonglian Date: Tue, 12 Sep 2017 14:09:49 +0800 Subject: [PATCH] =?UTF-8?q?=E6=9B=B4=E6=96=B0=E6=B3=A8=E9=87=8A=205.Logist?= =?UTF-8?q?ic=E5=9B=9E=E5=BD=92?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- docs/5.Logistic回归.md | 4 ++-- 1 file changed, 2 insertions(+), 2 deletions(-) diff --git a/docs/5.Logistic回归.md b/docs/5.Logistic回归.md index 6127655a..049f3389 100644 --- a/docs/5.Logistic回归.md +++ b/docs/5.Logistic回归.md @@ -19,7 +19,7 @@ ![Sigmoid 函数在不同坐标下的图片](../images/5.Logistic/LR_3.png) -因此，为了实现 Logistic 回归分类器，我们可以在每个特征上都乘以一个回归系数，然后把所有结果值相加，将这个总和代入 Sigmoid 函数中，进而得到一个范围在 0~1 之间的数值。任何大于 0.5 的数据被分入 1 类，小于 0.5 即被归入 0 类。所以， Logistic 回归也可以被看成是一种概率估计。 +因此，为了实现 Logistic 回归分类器，我们可以在每个特征上都乘以一个回归系数（如下公式所示），然后把所有结果值相加，将这个总和代入 Sigmoid 函数中，进而得到一个范围在 0~1 之间的数值。任何大于 0.5 的数据被分入 1 类，小于 0.5 即被归入 0 类。所以， Logistic 回归也可以被看成是一种概率估计。 ### 基于最优化方法的回归系数确定 @@ -62,7 +62,7 @@ Sigmoid 函数的输入记为 z ，由下面公式得到: ![估计函数](../images/5.Logistic/LR_14.png) -θ 在这儿称为参数，在这儿的意思是调整 feature 中每个分量的影响力，就是到底是房屋的面积更重要还是房屋的地段更重要。为了如果我们令 X0 = 1，就可以用向量的方式来表示了： +θ 在这儿称为参数，在这儿的意思是调整 feature 中每个分量的影响力，就是到底是房屋的面积更重要还是房屋的地段更重要。如果我们令 X0 = 1，就可以用向量的方式来表示了： ![估计函数的向量形式](../images/5.Logistic/LR_15.png)