首页
学习
活动
专区
工具
TVP
发布

Stanford机器学习笔记-2.Logistic Regression

‍‍‍‍

作者:llhthinker

个人博客:http://www.cnblogs.com/llhthinker/

Content:

2 Logistic Regression.

2.1 Classification.

2.2 Hypothesis representation.

2.2.1 Interpreting hypothesis output.

2.3 Decision boundary.

2.3.1 Non-linear decision boundaries.

2.4 Cost function for logistic regression.

2.4.1 A convex logistic regression cost function.

2.5 Simplified cost function and gradient descent.

2.5.1 Probabilistic interpretation for cost function.

2.5.2 Gradient Descent for logistic regression.

2.6 Multiclass classification problem

key words:

logistic regression, classification, decision boundary, convex function, One-vs-all

2.6 Multiclass classification problem

现实中也常遇到多分类问题(multiclass classification problem),如判断手写的数字是0~9中的哪一个就是一个有10类的问题。多分类学习的基本思路是“拆解法”,即将多分类任务拆为若干个二分类任务求解。具体来说,先对问题进行拆分,然后为拆分出的每个二分类任务训练一个分类器(也就是h(x));在预测时,对这些分类器的预测结果进行集成。

下面介绍一个常用的拆分策略-“One-vs-all”.

One-vs-all每次将一个类的样例作为正例(“1”),所有其他类作为反例(“0”)来训练n个分类器。在预测时,有两种情况看

情况1:若仅有一个分类器预测为正例,则对应的类别标记作为最终分类结果;

情况2:若有多个分类器预测为正例,则选择分类器的预测置信度最大的类别标记为分类结果,也就是。

例如对于图2-10所示的多分类问题,我们先将三角形,正方形,叉分别标记为类别1,2,3,然后做如下划分:

先将三角形看作正例“1”,正方形和叉看作反例“0”,训练出hθ1(x)

再将正方形看作正例“1”,三角形和叉看作反例“0”,训练出hθ2(x)

最后将叉看作正例“1”,三角形和正方形看作反例“0”,训练出hθ3(x)

预测时每一个预测值都是一个形如[hθ1(x), hθ2(x), hθ3(x)]的向量。选出最大的h(x),它的上标就是对应的类别标记。例如若预测值为[0.13, 0.24, 0.79],对应的就是上文所说的情况1,即只有hθ3(x) > 0.5表现为正例,所以应该认为是属于3标记类,即为叉。若预测值为[0.12, 0.83, 0.56], 对应的就是上文所说的情况2,hθ2(x) 和hθ3(x)都大于0.5,都预测为正例,但hθ2(x)> hθ3(x),所以应该预测是属于2标记类,即为正方形。

图2-10

  • 发表于:
  • 原文链接http://kuaibao.qq.com/s/20180212A0T5LN00?refer=cp_1026
  • 腾讯「腾讯云开发者社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 cloudcommunity@tencent.com 删除。

扫码

添加站长 进交流群

领取专属 10元无门槛券

私享最新 技术干货

扫码加入开发者社群
领券