装饰公司网站方案,vps 用ip可以访问网站么,免费做app的网站有哪些,行情软件免费下载逻辑回归的代价函数通常使用交叉熵损失来定义。这种损失函数非常适合于二元分类问题。
本篇来推导一下逻辑回归的代价函数。
首先#xff0c;我们在之前了解了逻辑回归的定义#xff1a;逻辑回归模型是一种用于二元分类的模型#xff0c;其预测值是一个介于0和1之间的概率…逻辑回归的代价函数通常使用交叉熵损失来定义。这种损失函数非常适合于二元分类问题。
本篇来推导一下逻辑回归的代价函数。
首先我们在之前了解了逻辑回归的定义逻辑回归模型是一种用于二元分类的模型其预测值是一个介于0和1之间的概率。模型的形式是一个S形的逻辑函数sigmoid函数但是sigmoid函数的参数到底要选哪个就需要对sigmoid函数的结果进行评判因此也就需要第二步损失评估。
举个例子
假设我们有一个逻辑回归模型用来预测学生是否会通过最终考试。我们有两个特征学生的出勤率和平均成绩。模型的目标是基于这些特征预测学生是否会通过考试通过记为1不通过记为0。
特征和参数
假设特征向量 x [ x 1 x 2 ] x \begin{bmatrix} x_1 \\ x_2 \end{bmatrix} x[x1x2]其中 x 1 x_1 x1是学生的出勤率 x 2 x_2 x2是学生的平均成绩。模型的参数为 θ [ θ 0 θ 1 θ 2 ] \theta \begin{bmatrix} \theta_0 \\ \theta_1 \\ \theta_2 \end{bmatrix} θ θ0θ1θ2 其中 θ 0 \theta_0 θ0是偏置项 θ 1 \theta_1 θ1和 θ 2 \theta_2 θ2分别是与出勤率和平均成绩相关的权重。
计算 h ( x ) h(x) h(x)
模型会计算 h ( x ) h(x) h(x)即给定特征时通过考试的预测概率。这是通过sigmoid函数来完成的 h θ ( x ) 1 1 e − ( θ 0 θ 1 x 1 θ 2 x 2 ) h_\theta(x) \frac{1}{1 e^{-(\theta_0 \theta_1 x_1 \theta_2 x_2)}} hθ(x)1e−(θ0θ1x1θ2x2)1
假设对于一个特定学生出勤率 x 1 0.85 x_1 0.85 x10.8585%平均成绩 x 2 75 x_2 75 x275而模型参数为 θ 0 − 4 \theta_0 -4 θ0−4 θ 1 10 \theta_1 10 θ110 θ 2 0.05 \theta_2 0.05 θ20.05。那么 h ( x ) h(x) h(x)的计算为 h θ ( x ) 1 1 e − ( − 4 10 × 0.85 0.05 × 75 ) h_\theta(x) \frac{1}{1 e^{-(-4 10 \times 0.85 0.05 \times 75)}} hθ(x)1e−(−410×0.850.05×75)1
计算这个表达式的值这需要一些数学运算假设结果是 h θ ( x ) ≈ 0.76 h_\theta(x) \approx 0.76 hθ(x)≈0.76。这意味着根据我们的模型这个学生通过考试的预测概率是 76%。基于这个预测由于概率大于0.5我们可以预测这个学生会通过考试。
到这一步为止 θ 0 − 4 \theta_0 -4 θ0−4 θ 1 10 \theta_1 10 θ110 θ 2 0.05 \theta_2 0.05 θ20.05实际上是我们随机(或经验)取的一组参数数值但其并不是最佳的所以就需要有一个代价函数来判断整体的损失(正确率)再进行梯度下降或其他优化算法来迭代地调整这些参数以获得最小化损失。
在逻辑回归中由于目标结果只有0和1两种情况因此去计算一组数据的损失的时候就需要区分成两个函数
当 y1 时的损失函数 Cost when y 1 : − log ( h θ ( x ) ) \text{Cost when } y 1: -\log(h_\theta(x)) Cost when y1:−log(hθ(x))
当 y0 时的损失函数 Cost when y 0 : − log ( 1 − h θ ( x ) ) \text{Cost when } y 0: -\log(1 - h_\theta(x)) Cost when y0:−log(1−hθ(x)) 对应的图如下 用一个式子来同时包含这两个情况就是我们的逻辑回归的代价函数交叉熵损失 J ( θ ) − 1 m ∑ i 1 m [ y ( i ) log ( h θ ( x ( i ) ) ) ( 1 − y ( i ) ) log ( 1 − h θ ( x ( i ) ) ) ] J(\theta) -\frac{1}{m} \sum_{i1}^{m} \left[ y^{(i)} \log(h_\theta(x^{(i)})) (1 - y^{(i)}) \log(1 - h_\theta(x^{(i)})) \right] J(θ)−m1i1∑m[y(i)log(hθ(x(i)))(1−y(i))log(1−hθ(x(i)))] 我们可以看到这里 l o g ( h θ ( x ( i ) ) ) log(h_\theta(x^{(i)})) log(hθ(x(i)))前面乘以了 y ( i ) y^{(i)} y(i)所以当目标值为0的时候这部分就变成了0也就不会影响后面部分的计算就很简单地实现了两个式子融合。
