logistic回归性质:
一个学习算法
logistic回归应用场景:
用在监督学习中,输出y标签是0或者1时,是一个二元分类问题。
logistic回归:
输入是一个n维的特征向量X(一张图片),输出是Y帽,表示X满足条件时,Y=1的概率。
logistic回归的参数:
权重W,也是一个n维的列向量,参数b,是一个实数。
因为参数b是一个实数,为了能够相加,那么权重W要进行转置然后和特征向量相乘。
最后得到的输出范围比较大,没有意义,但我们只需要得到一个0~1的,表示概率的值,因此我们用sigmoid函数。
sigmoid函数是一个0到1的光滑曲线,0处的值是0.5.z的值如果很大,那么概率值无限接近1,z的值如果很小,那么概率值无限接近0.
因此实现logistic回归,只需要学习参数W和b。
其他形式的符号约定:
通常把W和b分开来,b代表一个拦截器。
把参数b和权重W放在一个向量θ中,向量θ是n+1维向量。