MACHINE LEARNING
Lecture 4
邏輯回歸(logistic regression)
線性回歸 => 找趨勢
邏輯回歸 => 做分類
Linear Regression
Logistic Regression
模型
損失函數
優化方法
二元邏輯回歸
(binary logistic regression)
模型...?
Sigmoid function
h_{\theta}(x)=\frac{1}{1+e^{-\theta^{T}x}}
沒什麼用的資訊
其實他是一種廣義的線性回歸(?)
ln \frac{y}{1-y} = \theta^{T} x
只是多了對數
沒有人在乎
還是Cost function
J(\theta)=\frac{1}{m}\sum_{i=1}^{m} (cost func)
costfunc=-y\times log(h_{\theta}(x))-(1-y)\times log(1-h_{\theta}(x))
y=0 : -log(1-h_{\theta}(x))
y=1 : -log(h_{\theta}(x))
來看看他會長成甚麼酷樣
y=0
y=1
為甚麼要用這麼淇怪的函式???
他是凸函數:D
凸ㄉ
凹ㄉ
有一些函數會起起落落只會掉到局部最小值
怎麼優化...?
\theta = \theta - \alpha x^{T}(\hat y -y)
寫累了就直接不推導 沒問題的
好耶