吴恩达机器学习入门笔记4-逻辑回归

4 逻辑回归

逻辑回归的假设函数为sigmoid函数，把较大范围变化的输出值挤压到(0，1)内，因此也被称为挤压函数

\[h_\theta(x)=\frac{1}{1+e^{-\theta^Tx}}\tag{4.1} \]

\(h_\theta(x)\)代表输入为x时y=1的概率

4.1 决策边界

若规定\(h_\theta(x)\ge0.5\)时y=1，\(h_\theta(x)<0.5\)时y=0，则可得出当\(\theta^Tx\ge0\)时y=1，当\(\theta^Tx<0\)时y=0

若拟合确定参数\(\theta\)后，\(\theta^Tx\)构成决策边界

• 决策边界不是训练集的属性，当给定参数\(\theta\)后就决定了决策边界

4.2 单个样本代价函数

若用线性回归的代价函数，sigmoid函数会导致产生非凸函数，梯度下降法会陷入局部最优。

\[\text{Cost}(h_\theta(x),y)=\begin{cases} -log(h_\theta(x)),&\text{if}\ y=1\\ -log(1-h_\theta(x)),&\text{if}\ y=0 \end{cases}\tag{4.2} \]

4.3 逻辑回归函数的代价函数

\[\begin{aligned} J(\theta) &=\frac{1}{m} \sum_{i=1}^{m} \operatorname{cost}(h_{\theta}(x^{(i)}), y^{(i)}) \\ &=-\frac{1}{m}[\sum_{i=1}^{m} y^{(i)} \log h_{\theta}(x^{(i)})+(1-y^{(i)}) \log (1-h_{\theta}(x^{(i)}))] \end{aligned}\tag{4.3} \]

再用不同算法使代价函数最小

4.3.1 梯度下降法

\[\begin{aligned} \theta_j&=\theta_j-\alpha\frac{\partial}{\partial\theta_j}J(\theta)\\ &=\theta_j-\alpha\sum_{i=1}^m(h_\theta(x^{(i)})-y^{(i)})x_j^{(i)} \end{aligned}\tag{4.4} \]

• 与多元线性回归梯度下降法不同之处在于假设函数不同
• 当特征范围很大时，可同样采用特征缩放使梯度下降收敛更快

4.3.2 其他高级算法

• 共轭梯度法
• BFGS
• L-BFGS

无需手动选择学习率，且收敛速度高于梯度下降法，但算法更为复杂

4.4 多类别分类

每次提取一个类别作为正类，其余为负类，重复多次得出多个假设函数作为多个分类器

对新样本预测时，分别使用每个分类器进行预测，并汇总所有结果，分类最多的结果作为对新样本的预测结果