LR模型推导「终于解决」

LR模型推导「终于解决」概念 逻辑回归假设数据服从伯努利分布,通过极大化似然函数方法,运用梯度下降来求解参数,来达到将数据二分目的 sigmoid函数 sigmoid函数:,y为正样本的概率,1-y为负样本的概率 LR模型推导 设 另 那么对应 极大似然估计 似然函数 对数似然函数就是 将代入公式 对参数求偏导 参数更新 …

  1. 概念
    逻辑回归假设数据服从伯努利分布,通过极大化似然函数方法,运用梯度下降来求解参数,来达到将数据二分目的
  2. sigmoid函数
    sigmoid函数:y = \frac{1}{1+e^{-(\omega x+b)}},y为正样本的概率,1-y为负样本的概率
  3. LR模型推导

    1. \pi (x) = P(y=1|x) = \frac{e^{\omega x}+b}{1+e^{\omega x+b}}
      那么对应P(y=0|x) = 1-\pi (x)
    2. 极大似然估计
      似然函数L(\omega ) = {\prod_{i=1}^{N}}[\pi (x_{i})]^{y_{i}}[1-\pi (x_{i})]^{1-y_{i}}
      对数似然函数就是L(\omega ) = \sum_{i=1}^{N}[y_{i}*log(\pi (x_{i}))+(1-y_{i})*log(1-\pi (x_{i})]
      L(\omega ) = \sum_{i=1}^{N}[y_{i}*log(\frac{\pi (x_{i})}{1-\pi (x_{i})})+log(1-\pi (x_{i}))]
      \pi (x) = \frac{e^{\omega x}+b}{1+e^{\omega x+b}}代入公式
      L(\omega ) = \sum_{i=1}^{N}[y_{i}*(\omega x_{i})-log(1+e^{\omega x_{i}})
    3. 对参数\omega求偏导
      \frac{\partial L(\omega ) }{\partial \omega } = \sum_{i=1}^{N}(y_{i}-\pi (x))*x_{i})
    4. 参数更新
      \omega = \omega _{0}+a\frac{\partial L(\omega ) }{\partial \omega } = \omega _{0}.+a*x_{i}(y_{i}-\pi (x))

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。
如需转载请保留出处:https://bianchenghao.cn/10645.html

(0)
编程小号编程小号

相关推荐

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注