手机网站建设全包,如何进行网站维护,k8s部署wordpress,建设校园网站意义1.线性回归模型 2. 损失函数 3.梯度下降算法
多元特征的线性回归
当有多个影响因素的时候,公式可以改写为: 当有多个影响因素的时候为了方便计算,可以使用 Numpy下面的点积方法, np.dot(w,x) 最后再加个b
就省略了很多书写步骤,这叫做矢量化
多元回归的梯度下降 左边是一… 1.线性回归模型 2. 损失函数 3.梯度下降算法
多元特征的线性回归
当有多个影响因素的时候,公式可以改写为: 当有多个影响因素的时候为了方便计算,可以使用 Numpy下面的点积方法, np.dot(w,x) 最后再加个b
就省略了很多书写步骤,这叫做矢量化
多元回归的梯度下降 左边是一元的,只需要更新一个w, 右边是多元的,需要对多个w进行梯度下降
特征缩放
假设特征1的范围为 5~2000 特征2的范围为0~5
有三种方法可以实现特征缩放
1.除以最大值法:
5~2000 除以2000 变成 0.0025~1 0~5 除以 5 变成 0~1
2.归一化 3.z-score
数据太大,或太小,需要进行特征缩放,来加快梯度下降的效率
逻辑回归
该模型常用于分类问题, 比如分辨 良性肿瘤和 恶性肿瘤 上图为 sigmoid函数 数学公式如下 公式推导如下 既然分类那么需要决策边界 当Z0时 即 y0.5 时 类型为 1 ;Z wx b 即 wx b 0
当Z0时 即 y0.5 时 类型为 0; wx b 0
逻辑回归的损失函数
如图所示,当y1时,损失很低符合要求 如图所示当y 0 时 损失函数如下,发生了图像变换, 先关于y轴对称,然后向右平移一个单位 等价于 J, 这里的y只能去0或1 ,因为这是一个分类问
逻辑回归的梯度下降 发现跟线性回归的梯度下降一样
但是两者的区别是f(x)不同
