????逻辑回归可以解决分类問题属于监督学习。

1)函数图形如下图所示：
????????????

????sigmoid函数有以下的性质：

x1?,x2?,?,xn?是对象的特征。

X映射到(0,1)の间如果将$$σ(x)<0.5视为负类，则可以将sigmoid函数用于解决分类问题

σ(X∣θ)函数中，有一个$$θ参数如果已知这个参数，那么该函数可以用于分類但如果只有数据集${}_{}{}_{}<msub></msub>${x1?,x2?,?,xn?}，并已经数据集的分类标签${}_{}{}_{}<msub></msub>${y1?,y2?,?,yn?}那么怎样得到参数$$θ呢？这就是训练问题了

X={x1?,x2?,?,xn?}和样本对应嘚分类标签${}_{}{}_{}<msub></msub>{}_{}0$

????????极大对数似然函数：${}_{}$

????????条件概率：$\begin{array}{cc}{}^{}& \\ & \\ {}^{}0& \end{array}$

????怎么理解上面的极大似然呢？考虑到分类的目的最理想的结果是：分类器将样本集分成两类，一类包含全部的正类一类包含全部的负类。但由于样本集存在噪声这种理想结果是不鈳能达到的，在这种情况下分类器的最优结果是：将更多的真实的正类样本标记为正类，将更多的真实的负类样本标记为负类

????所以在优化的过程中，采用梯度上升法对$$∏x?X?p(y∣x,θ)到达极大值。

????函数中只有一个参数$$

????????????${}^{}{}^{}$

????????????${}^{}{}^{}$

????????????${}^{}$

????按梯度上升法$$

????即迭代训练样本集中的每一个样本，对其进行一次二分类将分类的误差更新到$$

θ后，便可以将其运用于分类了

????逻辑回归可以解决分类問题属于监督学习。

1)函数图形如下图所示：
????????????

????sigmoid函数有以下的性质：

x1?,x2?,?,xn?是对象的特征。

X映射到(0,1)の间如果将$$σ(x)<0.5视为负类，则可以将sigmoid函数用于解决分类问题

σ(X∣θ)函数中，有一个$$θ参数如果已知这个参数，那么该函数可以用于分類但如果只有数据集${}_{}{}_{}<msub></msub>${x1?,x2?,?,xn?}，并已经数据集的分类标签${}_{}{}_{}<msub></msub>${y1?,y2?,?,yn?}那么怎样得到参数$$θ呢？这就是训练问题了

X={x1?,x2?,?,xn?}和样本对应嘚分类标签${}_{}{}_{}<msub></msub>{}_{}0$

????????极大对数似然函数：${}_{}$

????????条件概率：$\begin{array}{cc}{}^{}& \\ & \\ {}^{}0& \end{array}$

????怎么理解上面的极大似然呢？考虑到分类的目的最理想的结果是：分类器将样本集分成两类，一类包含全部的正类一类包含全部的负类。但由于样本集存在噪声这种理想结果是不鈳能达到的，在这种情况下分类器的最优结果是：将更多的真实的正类样本标记为正类，将更多的真实的负类样本标记为负类

????所以在优化的过程中，采用梯度上升法对$$∏x?X?p(y∣x,θ)到达极大值。

????函数中只有一个参数$$

????????????${}^{}{}^{}$

????????????${}^{}{}^{}$

????????????${}^{}$

????按梯度上升法$$

????即迭代训练样本集中的每一个样本，对其进行一次二分类将分类的误差更新到$$

θ后，便可以将其运用于分类了