问题预览/关键词
逻辑回归的梯度下降算法公式
和多元线性回归一样，有几个特征，就要同时计算几个wj。
计算梯度下降的导数项
逻辑回归和线性回归的梯度下降算法区别
从梯度下降算法的形式上看，似乎没有区别。但是用于计算的f(x)函数不同，因此它们是不同的算法。
逻辑回归和线性回归在梯度下降算法的通用之处
检测梯度下降收敛
检测梯度下降收敛的方法一致，详见5.7（检测梯度下降是否收敛）。
向量化操作
都可以向量化操作，详见课后实验代码。
特征缩放
都可以使用特征缩放，加快逻辑回归的梯度下降。
实验
创建训练集并绘制散点图
计算梯度下降的导数项
- 公式
- 计算过程解析详见第二周课后实验的Lab02。
- 调用函数，执行一次梯度下降。
运行梯度下降
- 公式
- 根据公式编写函数
- 调用函数，计算出w,b。
根据w,b构建决策边界
决策边界能够很好的将训练集的数据分类，证明计算出的w，b很合适。
可视化理解成本函数和梯度下降迭代（单特征）
- 点击右上方等高线图，可以修改w,b，然后点击右下角的橘色按钮运行梯度下降，观察四张图的变化。
- w,b离等高线图越远，模型预测效果越差，因此左上方的逻辑回归模型对于每个训练集数据的损失越大。
总结
本节主要讲述了如何计算逻辑回归的梯度下降，并演示了如何用Python实现。逻辑回归和线性回归的梯度下降算法很相似，但因为它们的f(x)不同，因此也是不同的算法。