斯坦福大学机器学习——logistic回归
2014-09-10 16:03
176 查看
Logistic回归是一种最常见的二分类算法,它利用已知样本对模型进行参数估计,属于监督算法。
一、 logisitic 函数
形如
的函数称为logistic函数,也称sigmoid函数(S形函数),
其函数图像如下图所示:
logistic函数具有如下性质:
1) 连续性:在区间
连续;
2) 对称性:关于点(0,0.5)对称;
3) 单调性:在区间
单调递增;
4) 有界性:在区间
取值范围为:[0,1]。
二、 Logistic回归模型
Logistic回归的预测函数(hypotheses)为:
输入:m个训练样本
,其中
输出:回归系数
。
令:
,那么,
以上两式可以合并为如下形式:
它的极大似然方程为:
化为对数形式:
由于
与
具有相同的单调性,因此求出
的最大值即可。
对
求偏导:
利用stochastic梯度上升规则对各
进行迭代求值:
这看上去与LMS的迭代公式类似,但是
不同,因此是两个不同的迭代公式。
最后将求出的
带入
,输入新的样本会得到
的值,如果
,那么
,该样本属于标签1的概率更大,将该样本归为标签1所在的类;反之,若
,该样本属于标签0的概率更大,则将该样本归为标签0所在的类;
一、 logisitic 函数
形如
的函数称为logistic函数,也称sigmoid函数(S形函数),
其函数图像如下图所示:
logistic函数具有如下性质:
1) 连续性:在区间
连续;
2) 对称性:关于点(0,0.5)对称;
3) 单调性:在区间
单调递增;
4) 有界性:在区间
取值范围为:[0,1]。
二、 Logistic回归模型
Logistic回归的预测函数(hypotheses)为:
输入:m个训练样本
,其中
输出:回归系数
。
令:
,那么,
以上两式可以合并为如下形式:
它的极大似然方程为:
化为对数形式:
由于
与
具有相同的单调性,因此求出
的最大值即可。
对
求偏导:
利用stochastic梯度上升规则对各
进行迭代求值:
这看上去与LMS的迭代公式类似,但是
不同,因此是两个不同的迭代公式。
最后将求出的
带入
,输入新的样本会得到
的值,如果
,那么
,该样本属于标签1的概率更大,将该样本归为标签1所在的类;反之,若
,该样本属于标签0的概率更大,则将该样本归为标签0所在的类;
相关文章推荐
- 斯坦福大学机器学习笔记(5)-logistic回归的优化
- 斯坦福大学机器学习笔记(4)-logistic回归
- 机器学习 - logistic回归
- 机器学习公开课笔记(3):Logistic回归
- 斯坦福大学机器学习——EM算法求解高斯混合模型
- 斯坦福大学机器学习课程笔记一但变量线性回归模型
- 斯坦福大学机器学习——误差理论(Error Theory)
- 【斯坦福大学-机器学习】2.单变量线性回归(一)
- 斯坦福大学公开课 :机器学习课程(Andrew Ng)——12、无监督学习:Factor Analysis
- Coursera公开课笔记: 斯坦福大学机器学习第六课“逻辑回归
- 斯坦福大学机器学习笔记 第二周
- 斯坦福大学机器学习公开课---2. Linear regression
- 斯坦福大学机器学习笔记(2)
- 机器学习实战-Logistic回归
- 【学习笔记】斯坦福大学公开课(机器学习)之指数分布族
- 2008年《斯坦福大学开放课程 :机器学习课程》(Open Stanford Course : Engineering Everywhere-MachineLearning)[WMV]
- 斯坦福大学公开课 :Andrew Ng 机器学习课堂笔记之第一节(机器学习的动机与应用)
- 【机器学习入门】logistic回归
- 斯坦福大学机器学习——高斯判别分析
- 斯坦福大学Andrew Ng教授主讲的《机器学习》公开课观后感