机器学习3 logistic回归
2016-07-20 21:29
190 查看
局部权重似合
Fit θ to minimize∑i=1mw(i)(y(i)−θTx(i))2w(i)=exp⎛⎝⎜⎜−(x(i)−x)22τ2⎞⎠⎟⎟
最大似然法
P(y(i)|x(i),θ)=12πσ−−−√exp⎛⎝−(y(i)−θTx(i))22σ2⎞⎠L(θ)=∏i=1m12πσ−−−√exp⎛⎝−(y(i)−θTx(i))22σ2⎞⎠log(L(θ))=−mlog(2πσ−−−√)−∑i=1m(y(i)−θTx(i))22σ2ifwantL(θ)maxthenjustmakeJ(θ)=∑i=1m(y(i)−θTx(i))22minendsigmoid function
hθ(x)=g(θTx)=11+e−θTxwhereg(z)=11+e−z∂∂zg(z)=e−z(1+e−z)2=g(z)(1−g(z))∂hθ(x)∂θj=hθ(x)(1−hθ(x))xj梯度上升
P(y(i)|x(i),θ)=hθ(x)y(1−hθ(x))1−yL(θ)=∏i=1mhθ(x(i))y(i)(1−hθ(x))1−y(i)l(θ)=log(L(θ))=∑i=1my(i)log(hθ(x(i)))+∑i=1m(1−y(i))log(1−hθ(x(i)))∂log(L(θ))∂θj=∑i=1my(i)(1−hθ(x))xj−∑i=1m(1−y(i))hθ(x)xj=∑i=1m(y(i)xj−y(i)xjhθ(x)−hθ(x)xj+hθ(x)xjy(i))=∑i=1m(y(i)−hθ(x))xjθ:=θ+α∇θl(θ)=θ+α∑i=1m(y(i)−hθ(x))x
相关文章推荐
- 用Python从零实现贝叶斯分类器的机器学习的教程
- My Machine Learning
- 机器学习---学习首页 3ff0
- Spark机器学习(一) -- Machine Learning Library (MLlib)
- 反向传播(Backpropagation)算法的数学原理
- 关于SVM的那点破事
- 也谈 机器学习到底有没有用 ?
- #ML-SDN
- TensorFlow人工智能引擎入门教程之九 RNN/LSTM循环神经网络长短期记忆网络使用
- TensorFlow人工智能引擎入门教程之十 最强网络 RSNN深度残差网络 平均准确率96-99%
- TensorFlow人工智能引擎入门教程所有目录
- Tensorflow 杂记
- 如何用70行代码实现深度神经网络算法
- 量子计算机编程原理简介 和 机器学习
- 近200篇机器学习&深度学习资料分享(含各种文档,视频,源码等)
- 已经证实提高机器学习模型准确率的八大方法
- 初识机器学习算法有哪些?
- 机器学习相关的库和工具
- 10个关于人工智能和机器学习的有趣开源项目
- 机器学习实践中应避免的7种常见错误