上篇博文中的gda演算法中，如果我們把p(y=1|x)整理變形一下，就能得到
這是logistic回歸的h函式。
實質上，當我們假設p(x|y)服從正態分佈時，p(y=1|x)必然是logistic函式，但反過來不成立，也就是說，前者是更強的假設，當我們對問題做更強的假設時，往往就能更精確地找到問題地解，當然前提是假設正確。或基本正確。
更一般地，只要我們對p(x|y)的建模屬於glm指數分布族時，p(y=1|x)都是logistic函式，那麼最後得到的都是直線型的決策邊界。當實際問題的邊界線不是直線時，就不適用了，此後的博文會總結其他的演算法解決這個問題。
logistic回歸 logistic回歸
logistic回歸 logistic回歸分析可用於估計某個事件發生的可能性，這是乙個分類模型而不是乙個回歸模型！它的基本思想是利用一條直線將平面上的點分為兩個部分，即兩個類別，要解決的問題就是如何擬合出這條直線，這個擬合的過程就稱之為 回歸 logistic模型 假設你有乙個需要 的內容，要通過三...
logistic分類（logistic回歸 LR）
幾乎所有的教材都是從logistic分類開始的，因為logistic分類實在太經典，而且是神經網路的基本組成部分，每個神經元 cell 都可以看做是進行了一次logistic分類。所謂logistic分類，顧名思義，邏輯分類，是一種二分類法，能將資料分成0和1兩類。logistic分類的流程比較簡單...
線性回歸和logistic分類回歸的區別
回歸問題和分類問題是深度學習裡面需要分清楚的兩種情況，需要根據不同的情況制定不同的演算法，完成不同的任務。兩者最本質的區別是回歸問題代表連續的擬合曲線 值，而分類問題則是將輸入的幾個值分為幾個離散的類。例如 線性回歸處理的是回歸問題 e xp ect y w x bexpect y wx b exp...