Логистическая регрессия, также известная как логит-регрессия, и здесь мы решаем проблему, когда зависимая переменная (y) является «категориальной» по своей природе. На простом языке модель логит-регрессии — это функция, которая сопоставляет различные значения предикторов с классом c, где C={1,2,3,4,5….K}. Бинарная логистическая регрессия — это модель используется для оценки вероятности бинарного ответа на основе одной или нескольких переменных-предикторов.Здесь прогнозируемые значения являются вероятностями и, следовательно, находятся в диапазоне = [0,1].
Мы находим вероятность P(y=1|X) (где X – вектор признаков экземпляра), а P(y=0|X) можно просто рассчитать, используя (1-P(y=1| Х)) потому что вероятно. рассчитывается по методу Бернулли, а не по Гауссу.
Для сопоставления мы используем сигмовидную функцию.
Здесь z=W.transpose . X и W — набор весов, а X — вектор признаков.
Поскольку сигмовидная функция является «НЕВЫПУКЛОЙ», мы модифицируем нашу функцию стоимости следующим образом:
Где hθ(X) — вызов сигмоидальной функции со значением X.
Эта функция стоимости решается для получения значений ставок W.
Пожалуйста, хлопните в ладоши, если вам это нравится…!!!!
