前言
逻辑回归虽然叫回归，实际上是一个二分类模型，要知道回归模型是连续的，而分类模型是离散的，逻辑回归简单点理解就是在线性回归的基础上增加了一个 sigmoid 函数
逻辑回归 = 线性回归 + sigmoid 函数
回顾线性回归
- 表达式：
sigmoid 函数
- 什么是sigmoid 函数
sigmoid 是以0.5为分界线的激活函数，主要用于将结果输入sigmoid 函数中sigmoid函数会输出一个[0,1] 区间的概率值，0.5以上为一类，0.5以下为一类，这样完成二分类任务
公式：
逻辑回归的公式
所以可以写成
逻辑回归的损失
- 逻辑回归损失函数体现在“预测值” 与 “实际值” 相似程度上
- 损失值越小，模型会越好，但是过于小也要考虑过拟合的原因
梯度下降与参数更新
梯度下降：
deltatheta = (1.0 / m) * X.T.dot(h - y)
更新参数：
theta = theta - alpha * deltatheta
代码
import numpy as np
import matplotlib.pyplot as plt
data = np.loadtxt('ex2data1.txt',delimiter=',')
x = data[:,:-1]
y = data[:,-1]
x -= np.mean(x,axis=0)
x /= np.std(x,axis=0)
X = np.c_[np.ones(len(x)),x]
def mov(theta):
z = np.dot(X,theta)
h = 1/(1+np.exp(-z))
return h
def cos(h):
j = -np.mean(y*np.log(h)+(1-y)*np.log(1-h))
return j
def tidu(sus=10000,aphe=0.1):
m,n = X.shape
theta = np.zeros(n)
j = np.zeros(sus)
for i in range(sus):
h = mov(theta)
j[i] = cos(h)
te = (1/m)*X.T.dot(h-y)
theta -= te * aphe
return h,j,theta
if __name__ == '__main__':
h,j,theta = tidu()
print(j)
plt.plot(j)
plt.show()
本文由mdnice多平台发布
