版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/KevinBetterQ/article/details/79451812
目录:
逻辑回归模型
多类别分类
4)梯度下降
例如:"Conjugate gradient"、 "BFGS"、 "L-BFGS"
原理很难,但可以利用一些已经实现的库函数
过度拟合解决办法:减少特征量 和 正则化
假设函数过度拟合后,我们可以通过修改成本函数进行相应参数权重的弱化
http://blog.csdn.net/huazhenrea/article/details/52567041
逻辑回归模型
多类别分类
正则化
1 逻辑回归模型
1)逻辑回归的假设函数:
利用Logistic函数,使输出范围控制在【0,1】之间
2)决策边界由logistic函数的图像可以看出 当y=1时:
也就是说:
这样,就会形成一个判断输出为0还是1的边界(X为变量,与参数theta有关),称为决策边界。
3)代价函数
简化:
(在使用梯度下降时,用这个函数确认每一次迭代J(theta)都是减少的)
向量化:4)梯度下降
通用式:
求导后:
向量化:
例如:"Conjugate gradient"、 "BFGS"、 "L-BFGS"
原理很难,但可以利用一些已经实现的库函数
自己写相应代价函数:
调用库函数
2 多类别分类
一对多方法:
然后将测试值代入每一个函数,拥有最大值的即为所属类)
3 正则化——克服过度拟合
过拟合就是模型过度的拟合了训练样本,形成的分界线一味迎合训练样本,使测试样本准确率降低。过度拟合解决办法:减少特征量 和 正则化
假设函数过度拟合后,我们可以通过修改成本函数进行相应参数权重的弱化
代价函数正则化:
梯度下降法 求参数时:
正规方程法 求参数theta时:
2)正则化逻辑回归
——————————————————————————————————————————
Logistic Regression测试解答http://blog.csdn.net/huazhenrea/article/details/52567041