人工智能算法與實踐-第4章 邏輯回歸_第1頁
人工智能算法與實踐-第4章 邏輯回歸_第2頁
人工智能算法與實踐-第4章 邏輯回歸_第3頁
人工智能算法與實踐-第4章 邏輯回歸_第4頁
人工智能算法與實踐-第4章 邏輯回歸_第5頁
已閱讀5頁，還剩20頁未讀， 繼續免費閱讀

下載本文檔

版權說明：本文檔由用戶提供并上傳，收益歸屬內容提供方，若內容存在侵權，請進行舉報或認領

文檔簡介

4.4算法總結4.1算法簡介4.2算法原理4.3算法實驗目錄第四章邏輯回歸算法人工智能算法與實踐—1

—

01算法簡介PartONE簡要介紹邏輯回歸算法的作用、相關知識等—2

—

4.1.1

邏輯回歸的作用—3

—

邏輯回歸功能示意圖學習目的：怎么得到模型。4.1.2

邏輯回歸的引入—4

—

線性回歸是否能做分類問題？線性回歸(少量樣本)預測

線性回歸(稍多樣本)預測4.1.3Sigmoid函數—5

—

Sigmoid函數02算法原理PartTWO介紹邏輯回歸算法的原理，包括公式推導—6

—

4.2.1

算法流程—7

—

求解邏輯回歸模型流程圖如線性回歸的假設函數

一樣，邏輯回歸也需要先構造一個假設函數。求解假設函數的待優化參數，直至達到預期效果為止。

4.2.2

假設函數—8

—

將線性回歸的假設函數替換為這里的x

Sigmoid函數的定義域為R,與此同時線性回歸的假設函數(值域為R)作為Sigmoid函數的自變量。Sigmoid函數關于點(0,0.5)對稱，可以無差別的分成兩類。Sigmoid函數連續且可導，便于后續利用導數進行優化。Sigmoid函數圖4.2.3

求解關鍵—9

—

訓練集損失函數

4.2.4

損失函數—10

—

以e為底的對數函數

4.2.4

損失函數—11

—

m個訓練樣本的平均損失函數

最終的衡量（每個w）指標

合并4.2.5

梯度下降算法—12

—

已知第i輪的w，如何求解第i+1輪的w?

W=

…

…

第i+1輪中w向量中的第j個值4.2.5

梯度下降算法—13

—

求偏導的公式推導：4.2.5

梯度下降算法—14

—

依據偏導結果，第i+1輪的w為：

…

…

-

……

…

…

=

4.2.6

梯度下降算法結束條件—15

—

or測試—16

—

求得

邏輯回歸模型預測流程示意圖03算法實驗PartTHREE利用代碼實現邏輯回歸算法，分類腫瘤數據—17

—

4.3.1

數據—18

—

共90條數據的訓練集4.3.2

讀取數據—19

—

引入相關類庫，定義數據集路徑。定義一個函數，傳入一個字符串類型的數據集路徑。將特征值x與標簽y分別用兩個列表存取，并返回。4.3.3

Sigmoid函數—20

—

形參z可以是一個數字，也可以是一個列表。我們一次性要處理90個數據，所以傳入的是列表。4.3.4

核心代碼—21

—

更新輪數設置為1000作為結束條件。返回權重列表，即得到了分類模型。4.3.5

實驗結果—22

—

訓練集預測結果圖

04算法總結PartFOUR歸納總結邏輯回歸的精髓—23

—

線性回歸假設函數Sigmoid函數交叉熵損失函數梯度下降求取權重向量W4.4.1

總結ADDRELATEDTITLEWORDS—24

—

將線性回歸的假設函數作為sigmoid函數的自變量利用交叉熵作為損失函數3.利用梯度下降算法

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網頁內容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業或盈利用途。
  • 5. 人人文庫網僅提供信息存儲空間，僅對用戶上傳內容的表現方式做保護處理，對用戶上傳分享的文檔內容本身不做任何修改或編輯，并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容，請與我們聯系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論