使用线性回归, 所有>
= 0.5的预测都可以被视为1, 而其余所有<
0.5的预测都可以被视为0。但是随后出现了一个问题, 为什么不能使用它进行分类？
问题–
假设我们将邮件分类为垃圾邮件或非垃圾邮件, 并且我们的输出为?, 可以是0(垃圾邮件)或1(非垃圾邮件)。在线性回归的情况下, hθ(x)可以>
1或<
0。尽管我们的预测应该在0到1之间, 但是模型将预测超出范围的值, 即>
1或<
0。
因此, 这就是为什么要执行"分类"任务的原因, 即逻辑/乙状结肠回归。
文章图片
文章图片
【ML为什么要在分类中进行逻辑回归（）】在这里, 我们插入θ?X转化为逻辑函数, 其中θ是权重/参数, X是输入和Hθ(X)是假设函数。G()是S型函数。
文章图片
这意味着x参数化为时y = 1的概率θ
为了获得离散值0或1进行分类, 定义了离散边界。假设功能可以翻译为
文章图片
文章图片
决策边界是区分y = 0和y = 1区域的线。这些决策边界来自所考虑的假设函数。
通过示例了解决策边界–
让我们的假设函数为
文章图片
然后决策边界看起来像
文章图片
给出权重或参数为–
文章图片
因此, 如果y = 1
文章图片
文章图片
那就是半径为1且原点为中心的圆的方程。这是我们定义的假设的决策边界。
首先, 你的面试准备可通过以下方式增强你的数据结构概念：Python DS课程。
推荐阅读
- ML使用Sklearn投票分类器详细指南
- 手机数字键盘问题详细介绍
- 安装系统 一键win重装系统图文详细教程
- 深度技术windows10下载推荐
- 硬盘安装Ghost Win7 32位专业版图文详细教程
- 一键重装lenovo32系统win7图文详细教程
- 本文教大家电脑怎样进入bios
- 安装系统 联想bios一键重装系统图文详细教程
- 32位win7安装64位win7办法详细说明