概率:
1.1 定義 概率(P)robability: 對一件事情發生的可能性的衡量
1.2 範圍 0 <= P <= 1
1.3 計算方法:
1.3.1 根據個人置信
1.3.2 根據歷史數據
1.3.3 根據模擬數據
1.4 條件概率:
Logistic Regression (邏輯迴歸)
2.1 例子
h(x) > 0.5
h(x) > 0.2
2.2 基本模型
測試數據爲X(x0,x1,x2···xn)
要學習的參數爲: Θ(θ0,θ1,θ2,···θn)
向量表示:
處理二值數據,引入Sigmoid函數時曲線平滑化
預測函數:
用概率表示: 正例(y=1):
反例(y=0):
2.3 Cost函數
線性迴歸:
找到合適的 θ0,θ1使上式最小 Logistic regression: Cost函數:
目標:找到合適的 θ0,θ1使上式最小 2.4 解法:梯度下降(gradient decent)
![這裏寫圖片描述](https://img-blog.csdn.net/20160706195814286) 更新法則:
學習率 同時對所有的θ進行更新 重複更新直到收斂
7.5 非線性迴歸算法
發表評論
所有評論
還沒有人評論,想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.