《人工智能工程師》邏輯迴歸 LogisticRegression

在邏輯迴歸裏，不去擬合樣本分佈，而是確定決策邊界。

sigmoid函數

sig = 1.0/(1 + np.exp(-x))

爲什麼需要這個函數？這個函數有個特點，當x<0時，0<y<0.5;x=0時，y=0.5;x>0時，1>y>0.5。那麼，假設我想對數據做二分類，

首先從數據講起。

1.數據是m行n列的數據（xij, i=1..m, j=1..n），那麼，樣本1是向量X1 =(x11,x12,x13...x1n)，樣本二是X2=(x21,x22...x2n)。向量一般是列向量，所以樣本X可以表示爲X=(X1,X2...Xn).T。樣本X1每個小x需要一個參數θ，使得該θ能與X1點乘，所得E1爲方程的值y1；每個樣本X的小x都需要和θ點乘，θ的維度應該是1*n；最終獲得Y的列向量 Y =(Y1,Y2,Y3...Yn).T。那麼，可以得到一個參數θ，使得正樣本的X.T.dotθ>0.5，負樣本的X.T.dotθ<0.5。有什麼用呢？

2.把Y向量帶入sigmoid函數，就可得到每個樣本的取值，取值均在0~1之間，這樣，就可以和label作對比了。（有點問題）

損失函數

如何去評判分類的好或者不好呢？