那麼我們就需要用到訓練集，讓模型進行監督學習，訓練集中包含自變數
為了完成上訴訓練，我們需要知道模型的結果與正確結果的相差幾何，基於此，我們很容易想到可以模仿概率論對方差的定義，構造乙個損失函式用來衡量演算法的執行效果，於是我們可以構造損失函式
這裡需要引入乙個凸優化的概念，如果乙個函式是凸函式，那麼我們很容易就可以取得它的最值（即最優值）。如圖：
通過對函式的導數進行逼近，很容易找到導數為0的那個取值，因為凸函式的特性，這個導數為0的值便是最值，也就可以得到模型最優的取值了。
但是如果函式是非凸函式，如圖：
此時導數為0的點不止乙個，也就沒辦法僅僅通過梯度下降的方法得到最值，那麼計算起來就會很複雜。
本著演算法設計應該以優美、簡潔、適用面廣的原則，非凸函式顯然不適合用來做損失函式的數學模型，那麼理想的損失函式應該就是凸函式。顯然前面提及的損失函式
前面我們已經解決了對於單個訓練樣本**效果的數學表達，並且已經知道，通過調整
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...
Logistic回歸模型
一 logistic回歸模型 線性回歸模型要求因變數是連續型正態變數。當因變數是分類變數時，logistic回歸模型是最好的回歸模型。由於y只能取兩個值1或0，y的條件數學期望 e y xi 1 p y 1 xi 0 p y 0 xi p y 1 xi 選擇乙個函式，p y 1 x f x logi...