之前看的那个本深度学习书太难啃了,好多概念都不懂,真就从入门到放弃呗,于是我换了本从基础讲的,先补一补再回去看吧(笑哭)。
训练集、测试集、矩阵
训练集和测试集内部包含的数据类型都是相同的,即(x,y),x代表输入数据,特征向量,是个n维的向量;y代表输出值,标签。
当我们想把训练集变得更紧凑是时,可以用X一个矩阵把所有的特征向量放到一起,第一个特征向量放在第一列,第二个放在第二列,依次第m个放在m列。所以这个矩阵有m列,m为样本个数。
这样好像就有点能明白之前算法中矩阵是怎么突然出现的了。
逻辑回归
这里的例子是二元分类的,你进行一次输入想让算法输出预测,称之为𝑦^,代表着真实输出y的一种情况的可能性。X是n维的特征向量,即是输入,用w代表逻辑回归的参数,也是一个n维向量,参数中还有一个b,一个实数代表偏差。
这是个线性函数,和线性回归的函数好像。
不过二元分类要的是出现的概率,答案的数值只能在0到1之间,线性函数明显超出了这个范围,要把这个函数当中sigmoid函数的参数,y=w^Tx+b记为z。
sigmod的函数样式和公式如下:
不过其实这种方法只是极限值为0和1且变换曲线太慢了,作为激活函数已经有了更好的替代。
逻辑回归的代价函数
了解代价函数前,需要知道损失函数,损失函数是根据单个训练样本的表现的定义的,代价函数则是对整体的表现,可以设为m个样本的损失函数求和然后除以m,损失函数和代价函数都是为了调整参数w与b而设置的。
在逻辑回归中损失函数可以设为:
代价函数则为:
梯度下降法
有了代价函数,就可以通过最小化代价函数对参数w、b进行训练了。
上面给出的代价函数是一个凸函数,只需要在这个函数中找到w,b使得代价函数的值最小即可。
其更新参数的方法为:
a代表学习率,后面分式是代价函数的偏导数,代表在某一方向的斜率,通过调整学习率可以控制w,b接近最低点的速度。