6) Advanced optimization(其他优化算法) 如果分类器用的是回归模型，并且已经训练好了一个模型，可以设置一个阈值： 如果\(h_\theta(x) < 0.5\)，则预测y=0,既y属于负例； 如果是线性回归模型，对于肿瘤这个二分类问题，图形表示如下： 注: 以下引自李航博士《 统计学习方法 》1.8节关于分类问题的一点描述： 2) Hypothesis Representation 但是线性回归无法做到，这里我们引入一个函数g, 令逻辑回归的Hypothesis表示为： 这里g称为Sigmoid function或者Logistic function, 具体表达式为： Sigmoid 函数在有个很漂亮的“S"形，如下图所示（引自维基百科）： 综合上述两式，我们得到逻辑回归模型的数学表达式： 其中\(\theta\)是参数。 例如，对于肿瘤（恶性/良性），如果输入变量（特征）是肿瘤的大小： 这里Hypothesis表示的是”病人的肿瘤有70%的可能是恶性的“。 数学上可以如下表示： 对于因变量y=0或1这样的二分类问题： 当\(h_\theta(x) < 0.5\)时，y = 0; 再次回顾sigmoid function的图形，也就是g(z)的图形： 当\(g(z) \geq 0.5\)时, \(z \geq 0\);
Read full article from Coursera公开课笔记: 斯坦福大学机器学习第六课“逻辑回归(Logistic Regression)” - 我爱公开课
No comments:
Post a Comment