首页 > 代码库 > 机器学习-logistic回归
机器学习-logistic回归
logistic回归的主要思想:
已知样本数目为m,特征(feature)数目为n。
给出假设h(X)=g(X*theta)
g(z)是sigmiod函数:g(z)=1/(1+exp(-z))
考虑分类器问题:Y取值为0或1,同样地,h(X)取值为0或1。
则P(y|x;theta)=h(x)^y*(1-h(x))^(1-y)
对其取log得到:
对J求导得到:
利用最大似然函数求解,得到theta和J
注:基于MATLAB,通过设置options=optimset(‘GradObj‘,‘on‘,‘MaxIter‘,400);
可以利用函数fminunc直接求解theta。
若线性分类器不能解决问题,可以尝试基于现有特征创造更多特征,如:
相应地修改J及其导数:
注:lamda太大会导致欠拟合,太小会导致过拟合
机器学习-logistic回归
声明:以上内容来自用户投稿及互联网公开渠道收集整理发布,本网站不拥有所有权,未作人工编辑处理,也不承担相关法律责任,若内容有误或涉及侵权可进行投诉: 投诉/举报 工作人员会在5个工作日内联系你,一经查实,本站将立刻删除涉嫌侵权内容。