逻辑回归 logistic regression 代价函数导数求解过程

最新推荐文章于 2026-01-12 17:48:36 发布

原创

最新推荐文章于 2026-01-12 17:48:36 发布 · 4.4k 阅读

·

11

·

本文深入探讨了逻辑回归的对数似然函数及其求解过程，通过sigmoid函数归一化，推导出代价函数J(θ)。在二分类问题中，解释了如何估计模型参数，并展示了代价函数的梯度形式，即∂∂θjJ(θ)=−1m∑mi=1xij[yi−hθ(xi)]，这对梯度下降法优化至关重要。

在学习机器学习的课程中，逻辑回归的对数似然函数为
$J(\theta)=-\frac{1}{m}\sum_{i=1}^{m}y^{i}\log(h_\theta(x^{i}))+(1-y^{i})\log(1-h_\theta(x^{i}))$

对于多元线性模型，其中 $\theta^{T}x可以表示为：$
$\theta x^i:=\theta_0+\theta_1 x^i_1+\dots+\theta_p x^i_p.$
$\theta_0可以看作阈值的大小。大于阈值的分为一类，小于阈值的分为一类。$
对h(x)进行归一化

标签

#机器学习 #逻辑回归-c++ #machine-learning

最低0.47元/天解锁文章

评论 2

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。