吴恩达机器学习笔记:逻辑回归3

3.判定边界

现在说下决策边界(decision boundary)的概念。这个概念能更好地帮助我们理解逻辑回归的假设函数在计算什么。

在逻辑回归中,我们预测:

当ℎθ (x) >= 0.5时,预测 y = 1。

当ℎθ (x) < 0.5时,预测 y = 0 。

根据上面绘制出的 S 形函数图像,我们知道当

Z = 0 时 g(Z) = 0.5

Z > 0 时 g(Z) > 0.5

Z < 0 时 g(Z) < 0.5 又 Z = θ T x θ^{T}x θTx,

即:
θ T x θ^{T}x θTx >= 0 时,预测 y = 1
θ T x θ^{T}x θTx < 0 时,预测 y = 0

现在假设我们有一个模型:

并且参数θ是向量[-3 1 1] 。 则当−3 + x 1 x_1 x1 + x 2 x_2 x2 ≥ 0,即 x 1 x_1 x1 + x 2 x_2 x2 ≥ 3时,模型将预测 y = 1 。

我们可以绘制直线 x 1 x_1 x1 + x 2 x_2 x2 = 3,这条线便是我们模型的分界线,将预测为1的区域和预测为0的区域分隔开。

假使我们的数据呈现这样的分布情况,怎样的模型才能适合呢?

因为需要用曲线才能分隔 y = 0 的区域和 y = 1 的区域,我们需要二次方特征:
h θ ( x ) = g ( θ 0 + θ 1 x 1 + θ 2 x 2 + θ 3 x + θ 4 x ) h_\theta(x) = g(\theta_0 + \theta_1 x_1 + \theta_2 x_2 + \theta_3 x + \theta_4 x) hθ(x)=g(θ0+θ1x1+θ2x2+θ3x+θ4x)的参数向量为[-1 0 0 1 1],则我们得到的判定边界恰好是圆点在原点且半径为 1 的圆形。

我们可以用非常复杂的模型来适应非常复杂形状的判定边界。

相关推荐
乖女子@@@5 分钟前
React笔记_组件之间进行数据传递
javascript·笔记·react.js
THMAIL1 小时前
深度学习从入门到精通 - LSTM与GRU深度剖析:破解长序列记忆遗忘困境
人工智能·python·深度学习·算法·机器学习·逻辑回归·lstm
要做朋鱼燕1 小时前
【C++】 priority_queue 容器模拟实现解析
开发语言·c++·笔记·职场和发展
ST.J1 小时前
swing笔记
java·笔记
悠哉悠哉愿意1 小时前
【数学建模学习笔记】机器学习分类:随机森林分类
学习·机器学习·数学建模
玉木子1 小时前
机器学习(七)决策树-分类
决策树·机器学习·分类
悠哉悠哉愿意2 小时前
【数学建模学习笔记】机器学习分类:KNN分类
学习·机器学习·数学建模
ningmengjing_2 小时前
理解损失函数:机器学习的指南针与裁判
人工智能·深度学习·机器学习
四谎真好看2 小时前
Java 学习笔记(进阶篇2)
java·笔记·学习
nju_spy3 小时前
Kaggle - LLM Science Exam 大模型做科学选择题
人工智能·机器学习·大模型·rag·南京大学·gpu分布计算·wikipedia 维基百科