CS_ALearn/ailearning
1
0
Fork 0
mirror of https://github.com/apachecn/ailearning.git synced 2026-05-07 06:03:16 +08:00
Code Issues Projects Releases Wiki Activity

Merge pull request #149 from jiangzhonglian/master

Browse Source 
更新注释 5.Logistic回归
This commit is contained in:
Joy yx
2017-09-12 14:12:20 +08:00
committed by GitHub
parent a37a84b387 208763a720
commit ded5aac759
1 changed files with 2 additions and 2 deletions
Download Patch File Download Diff File Expand all files Collapse all files

4
docs/5.Logistic回归.md
View File

@@ -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)