博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
吴恩达机器学习笔记22-正则化逻辑回归模型(Regularized Logistic Regression)
阅读量:6072 次
发布时间:2019-06-20

本文共 359 字,大约阅读时间需要 1 分钟。

  针对逻辑回归问题,我们在之前的课程已经学习过两种优化算法:我们首先学习了使用

梯度下降法来优化代价函数?(?),接下来学习了更高级的优化算法,这些高级优化算法需要
你自己设计代价函数?(?)。

  自己计算导数同样对于逻辑回归,我们也给代价函数增加一个正则化的表达式,得到代

价函数:

要最小化该代价函数,通过求导,得出梯度下降算法为:

注:看上去同线性回归一样,但是知道 ℎ? (?) = ?(???),所以与线性回归不同。

注意:

  1. 虽然正则化的逻辑回归中的梯度下降和正则化的线性回归中的表达式看起来一样,
但由于两者的ℎ? (?)不同所以还是有很大差别。
  2. ?0不参与其中的任何一个正则化。

转载于:https://www.cnblogs.com/sl0309/p/10402920.html

你可能感兴趣的文章
python基础知识~logger模块
查看>>
SIP入门(二):建立SIPserver
查看>>
Servlet3.0的异步
查看>>
WebService连接postgresql( 失败尝试)
查看>>
从头认识java-13.11 对照数组与泛型容器,观察类型擦除给泛型容器带来什么问题?...
查看>>
Python-MacOSX下SIP引起的pip权限问题解决方案(非取消SIP机制)
查看>>
从MFQ方法到需求分析
查看>>
android.view.WindowManager$BadTokenException: Unable to add window
查看>>
HDU5012:Dice(bfs模板)
查看>>
iphone openssh
查看>>
Linux下MEncoder的编译
查看>>
Xamarin使用ListView开启分组视图Cell数据展示bug处理
查看>>
Javascript中闭包(Closure)的探索(一)-基本概念
查看>>
spark高级排序彻底解秘
查看>>
ylbtech-LanguageSamples-PartialTypes(部分类型)
查看>>
福建省促进大数据发展:变分散式管理为统筹集中式管理
查看>>
开发环境、生产环境、测试环境的基本理解和区别
查看>>
tomcat多应用之间如何共享jar
查看>>
Flex前后台交互,service层调用后台服务的简单封装
查看>>
技术汇之物联网设备网关技术架构设计
查看>>