热线电话：13121318867

登录
首页精彩阅读弱分类器的强势体：逻辑回归算法与推导
弱分类器的强势体：逻辑回归算法与推导
2018-08-06
收藏

弱分类器的强势体：逻辑回归算法与推导

逻辑回归的函数表达式为 

用极大似然估计求解

每个样本发生的后验概率为

则所以样本发生总概率即似然函数为

L(θ)即为目标函数，-L(θ)即为loss函数，求-L(θ)最小

对数L(θ)函数为

对θ求导，即

无法求解。

用梯度下降法逼近最佳值，这里用的是梯度上升法，因为要求L(θ)最大值，其实道理一样。


整体梯度上升算法：

初始化wT=1

重复直至收敛：

计算整体梯度（∂l(θ)/∂θ）

根据θ+α*（∂l(θ)/∂θ）来更新回归系数wT

随机梯度上升算法：

初始化wT=1

重复直至收敛：

计算随机每个样本梯度（∂l(θ)/∂θ）

根据θ+α*（∂l(θ)/∂θ）来更新回归系数wT

逻辑回归的优点是实现简单，分类快。缺点是容易欠拟合，只能处理二分类问题（加上softmax优化可用于多分类），但是必须是线性可分的数据。



CDA数据分析师考试相关入口一览（建议收藏）：

▷ 想报名CDA认证考试，点击>>>   “CDA报名” 了解CDA考试详情；

▷ 想学习CDA考试教材，点击>>> “CDA教材” 了解CDA考试详情；

▷ 想加入CDA考试题库，点击>>> “CDA题库” 了解CDA考试详情；

▷ 想了解CDA考试含金量，点击>>> “CDA含金量” 了解CDA考试详情；

逻辑回归 欠拟合

数据分析咨询请扫描二维码

若不方便扫码，搜微信号：CDAshujufenxi

上一篇简单介绍树回归的算法原理
下一篇Python中利用原始套接字进行网络编程的示例
数据分析师考试动态
CDA报考指南
数据分析学习
数据分析师资讯
更多

CDA教育闭环

常见问题

关于我们

CDA数据分析师公众号

  • CDA数据分析师公众号

CDA考试中心小程序

  • CDA考试中心服务号

CDA数据分析师App下载

  • CDA数据分析师App下载
Copyright © 2015-2021, www.cda.cn All Rights Reserved. CDA数据分析师(北京国富如荷网络科技有限公司) 版权所有 京ICP备11001960号-9 京公网安备 11010802034615号 经营许可证编号：京B2-20210330
联系电话：13321103290 (微信同号)

OK
客服在线
立即咨询
客服在线
立即咨询