暑期计划-7.24

今日完成

网易云课堂机器学习第六章

总结

第六章 逻辑回归（Logistic Regression）

6.1 分类问题

• 什么是分类问题？——在分类问题中，我们尝试预测的是结果是否属于某一个类（例如正确或错误）
• 线性回归为什么不适用分类问题？——如果你使用的是线性回归，那么假设函数的输出值可能远大于 1，或者远小于 0，就会感觉很奇怪。所以我们研究新的算法-逻辑回归，这个算法的性质是：它的输出值永远在 0 到 1 之间。

6.2 假说表示

• 逻辑回归的假设函数是什么？
  

• 假设函数h(x)的作用是什么?——对于给定的输入变量，根据选择的参数计算输出变量=1 的可能性，即ℎ(x) = P(y = 1|x; θ)

6.3 判定边界

• 什么是判定边界？——是我们模型的分界线，将预测为 1 的区域和预测为 0 的区域分隔开
• 怎么求判定边界？——让假设函数 h(x) = 0.5 或 z=0 或 θT(θ的转置)*X=0

6.4 代价函数

• 代价函数的作用是什么？——用于拟合逻辑回归模型的参数θ，即求参数θ，当代价函数最小时，此时的θ就是我们需要的值。
• 逻辑回归的代价函数是什么？
  
  

6.5 简化的成本函数和梯度下降

• 怎么拟合θ？——利用梯度下降法，找到最小的代价函数，即min(J(θ))，这样我们将得到某个参数θ。计算公式如下：
  

• 线性回归和逻辑回归梯度下降有什么不同？
  两者都是这个式子，但是他们的假设函数是不同的。
  

6.6 多类别分类：一对多

• 如何解决多类别分类问题？