多次函數爲預測模型的邏輯迴歸

推導過程在其他博客中都有詳細的說明,本文先曬出結論,推導過程後續再貼上。

說明

假設預測函數爲\LARGE h_{\theta } ( x )=\frac{1}{1+e^{-z(x)}}

其中    \LARGE z(x)   

可以爲一次模型     \LARGE \theta_{0}+\theta_{1}x   

也可以爲多次模型        \LARGE \theta_{0}+\theta_{1}x+\theta_{2}x^{2}...

甚至可以是       其它帶 \LARGE \theta 參數的模型函數

 

結論

\LARGE \frac{\partial}{\partial \theta }J(\theta)=\sum_{i=1}^{m}(h_{\theta}(x^{(i)})-y^{(i)})\frac{\partial z(x)}{\partial \theta}

接下來轉換成向量運算即可,還可以加正則

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.
相關文章