逻辑斯蒂函数

引入： 在线性感知器算法中，我们使用了一个f(x)=x函数，作为激励函数，而在逻辑斯蒂回归中，我们将会采用sigmoid函数作为激励函数，所以它被称为sigmoid回归也叫对数几率回归（logistic
regression），需要注意的是，虽然它的名字中带有回归，但事实上它并不是一种回归算法，而是一种分类算法。它的优点是，它是直接对分类的可能性进行建模的，无需事先假设数据分布，这样就避免了假设分布不准确所带来的问题，因为它是针对于分类的可能性进行建模的，所以它不仅能预测出类别，还可以得到属于该类别的概率。除此之外，sigmoid函数它是任意阶可导的凸函数。在这篇文章中，将会使用到梯度上升算法，可能有很多同学学到这里会有点迷糊，之前我们所使用的是，梯度下降算法为什么到这里却使用的是梯度上升算法？

解释logistic回归为什么要使用sigmoid函数
$$h_{\theta }=g({\theta }^{T}X)=\frac{1}{1+e^{-{\theta }^{T}X}}$$

$$h_w=g(w^{T}X)=\frac{1}{1+e^{-w^{T}X}}$$

$$h_w=g(Xw)=\frac{1}{1+e^{-Xw}}$$

准备数据

import numpy as npX = np.random.randn(50,4) X.shapew = np.random.randn(4) X[[0]].dot(w)#或者 w.T.dot(X[0])

3.154665990657282

'''假如有一个罐子，里面有黑白两种颜色的球，数目多少不知， 两种颜色的比例也不知。我们想知道罐中白球和黑球的比例， 但我们不能把罐中的球全部拿出来数。现在我们可以每次任意从已经摇匀 的罐中拿一个球出来，记录球的颜色，然后把拿出来的球 再放回罐中。 这个过程可以重复，我们可以用记录的球的颜色来估计罐中黑白球的比例。 假如在前面的一百次重复记录中， 有七十次是白球，请问罐中白球所占的比例最有可能是多少？''' # 请问罐子中白球的比例是多少？很多种可能10%，5%，95%…… # 请问罐子中白球的比例最有可能是多少？70%，进行精确计算，‘感觉’ # ‘感觉’的计算 # 假设白球的概率是p,黑球1-p # 取出一个球是白球的概率 ：p # 取出两个球，都是白球的概率：p**2 # 取出3个球，2个白球一个黑球的概率：p**2*(1-p) # 取出100个球，70是白球，30个是黑球，概率：p**70*(1-p)**30 f(p) = p**70*(1-p)**30

$$f(p)=p^{70}\ast (1-p{)}^{30}$$

$$70\ast p^{69}\ast (1-p{)}^{30}+p^{70}\ast 30\ast (1-p{)}^{29}\ast (-1)=0$$

$$70\ast (1-p)-p\ast 30=0$$

$$70-100\ast p=0$$

$$p=0.7$$

$$l(\theta )越大越好，梯度上升优化$$

$$J(\theta )=-l(\theta )越小越好，梯度下降了$$

将似然函数变成log函数

梯度上升添加符号就变为梯度下降

再求导求出j点的梯度

！！！
我是这样认为的：所谓的梯度“上升”和“下降”，一方面指的是你要计算的结果是函数的极大值还是极小值。计算极小值，就用梯度下降，计算极大值，就是梯度上升；另一方面，运用上升法的时候参数是不断增加的，下降法是参数是不断减小的。但是，在这个过程中，“梯度”本身都是下降的。

提取共同系数

$$h_{\theta }=g({\theta }^{T}X)=\frac{1}{1+e^{-{\theta }^{T}X}}$$

$$\frac{1}{(1+e^{-{\theta }^{T}X}{)}^2}\ast e^{-{\theta }^{T}X}\ast \frac{\partial }{\partial {\theta }_j}{\theta }^{T}X$$

$$\frac{1}{(1+e^{-{\theta }^{T}X})}\ast \frac{e^{-{\theta }^{T}X}}{(1+e^{-{\theta }^{T}X})}\ast \frac{\partial }{\partial {\theta }_j}{\theta }^{T}X$$

$$g({\theta }^T{X}^i)\ast \frac{e^{-{\theta }^{T}X}}{(1+e^{-{\theta }^{T}X})}\ast \frac{\partial }{\partial {\theta }_j}{\theta }^{T}X$$

$$g({\theta }^T{X}^i)\ast \frac{e^{-{\theta }^{T}X}}{(1+e^{-{\theta }^{T}X})}\ast \frac{\partial }{\partial {\theta }_j}{\theta }^{T}X$$

$$1-g({\theta }^T{X}^i)=1-\frac{1}{1+e^{-{\theta }^{T}X}}=\frac{1+e^{-{\theta }^{T}X}}{1+e^{-{\theta }^{T}X}}-\frac{1}{1+e^{-{\theta }^{T}X}}=\frac{e^{-{\theta }^{T}X}}{1+e^{-{\theta }^{T}X}}$$

$$g=\frac{1}{1+e^{-x}}$$

$$g^{\prime }=g\ast (1-g)$$

手写笔记个人总结使用

可参考
彻底搞懂逻辑斯蒂回归

PS：公众号内回复 ：Python，即可获取最新最全学习资源！

破解专业版pycharm参考博客www.wakemeupnow.cn公众号：刘旺學長

内容詳細：【个人分享】今年最新最全的Python学习资料汇总！！！

以上，便是今天的分享，希望大家喜欢，
觉得内容不错的，欢迎点击分享支持，谢谢各位。

单纯分享，无任何利益相关！

创作挑战赛新人创作奖励来咯，坚持创作打卡瓜分现金大奖

总结

以上是生活随笔为你收集整理的【机器学习】逻辑斯蒂回归原理的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。