机器学习10------logistic的直观理解
目录
训练过程
数据集:
特征: 学习时间(例如,1小时、2小时等)。
标签: 是否通过考试(0 或 1)。
模型结构:输入: 学习时间(特征)。
输出: 学生通过考试的概率(预测值)。
初始化模型的参数(权重和偏置)通常被初始化为随机值或零。
线性组合:
计算输入特征(学习时间)与权重的线性组合,再加上偏置。
z=w⋅x+b
其中 w 是权重,x 是特征(学习时间),b 是偏置。
将线性组合的结果 z 输入到 Sigmoid 函数中,得到预测的概率值
根据损失函数优化参数
具体例子
预测一个学生是否能通过考试(0 表示未通过,1 表示通过):
-
假设我们初始化模型的参数为:
权重w=0
偏置 b=0
-
对于一个给定的学习时间 x,我们计算线性组合
-z=w⋅x+b
例如,对于学习时间 x=4,我们有: z=0⋅4+0=0
重复以上步骤