关于逻辑回归模型的梯度下降算法

逻辑回归的代价函数：

$J(\theta)=-\frac{1}{m} \sum_1^m [y^{(i)} \log(h_\theta(x^{(i)})) + (1-y^{(i)}) \log(1-h_\theta(x^{(i)}))]$

与线性回归一样，它的梯度下降算法类似：

重复直到 $J(\theta)$ 收敛 {
$\theta_j:=\theta_j−\alpha \frac{\partial}{\partial \theta_j} J(\theta)$
}

计算 $\frac{\partial}{\partial \theta_j} J(\theta)$ 后会得到：
$\theta_j:=\theta_j−\alpha \frac{1}{m} \sum_{i=0}^m((h_\theta(x^{(i)})-y^{(i)})x_j^{(i)}), j \epsilon \left(0, 1, 2,...,n\right)$

计算后得到的和线性回归的看上去没有区别，但是两者的 $h_\theta(x)$ 不同。
线性回归的是： $h_\theta(x) = \theta^Tx$
逻辑回归的是： $h_\theta(x) = \frac{1}{1+e^{-\theta^Tx}}$

因为预测函数改变了，所以两者的梯度下降算法是不一样的。

举例说明

假设数据集有5个样本，每个样本有2个特征值，即 $m=5,n=2$ 如下：

$X = \left[ \begin{matrix} 34.62 & 78.02 \\\ 30.29 & 3.89 \\\ 35.85 & 72.9 \\\ 60.18 & 86.31 \\\ 79.03 & 75.34 \end{matrix} \right], y = \left[ \begin{matrix}0 \\\ 0 \\\ 0 \\\ 1 \\\ 1 \end{matrix} \right]$

初始化 $\theta=\left[ \begin{matrix}0 \\\ 0 \\\ 0 \end{matrix} \right]$ ，然后在输入矩阵加上一列 $x_0=1$ ，
$X = \left[ \begin{matrix} 1 & 34.62 & 78.02 \\\ 1 & 30.29 & 3.89 \\\ 1 & 35.85 & 72.9 \\\ 1 & 60.18 & 86.31 \\\ 1 & 79.03 & 75.34 \end{matrix} \right]$

先计算预测函数 $h$ ：
$h=g(X\cdot\theta)$
$X\cdot\theta = \left[ \begin{matrix} 1 & 34.62 & 78.02 \\\ 1 & 30.29 & 3.89 \\\ 1 & 35.85 & 72.9 \\\ 1 & 60.18 & 86.31 \\\ 1 & 79.03 & 75.34 \end{matrix} \right] \left[ \begin{matrix} 0 \\\ 0 \\\ 0 \end{matrix} \right] = \left[ \begin{matrix} 0 \\\ 0 \\\ 0 \end{matrix} \right]$
代入 $g$ 函数，可以的得到预测结果 $h=\left[ \begin{matrix} \frac{1}{1+e^0} \\\ \frac{1}{1+e^0} \\\ \frac{1}{1+e^0}\\\ \frac{1}{1+e^0}\\\ \frac{1}{1+e^0} \end{matrix} \right]=\left[ \begin{matrix} 0.5 \\\ 0.5 \\\ 0.5 \\\ 0.5 \\\ 0.5 \end{matrix} \right]$

代入J的公式
$J(\theta)=\frac{1}{m} \cdot (-y^T \log(h) -(1-y)^T \log(1-h))$
此时代价函数 $J$ 的值为： $\color{red}{0.69315}$

下面计算第一次梯度下降的梯度值，代入下面的公式
$\theta = \theta - \frac{\alpha}{m} X^T(h-y)$

即：
$\theta = \theta - \alpha\frac{1}{5} \cdot \left[ \begin{matrix} 1 & 1 & 1 & 1 & 1 \\\ 34.62 & 30.29 & 35.85 & 60.18 & 79.03 \\\ 78.02 & 3.89 & 72.9 & 86.31 & 75.34 \end{matrix} \right] \left[ \begin{matrix} 0.5 - 0 \\\ 0.5-0 \\\ 0.5-0 \\\ 0.5-1 \\\ 0.5-1 \end{matrix} \right] = \left[ \begin{matrix} 0 \\\ 0 \\\ 0 \end{matrix} \right] - \alpha \cdot \left[ \begin{matrix} 0.1 \\\ -3.846 \\\ 3.317 \end{matrix} \right]$

假设 $\alpha=0.01$ ，则 $\theta=\left[ \begin{matrix}0.001 \\\ 0.03846 \\\ -0.03317\end{matrix} \right]$

再次计算代价函数 $J$ 为： $\color{red}{0.51494}$

这个例子用矩阵和向量来进行了代价函数和梯度下降的计算。

转载自：
https://codeeper.com/2020/01/11/tech/machine_learning/classification_gradient_descent.html

最后编辑于：2020.03.17 16:21:22

人面猴
序言：七十年代末，一起剥皮案震惊了整个滨河市，随后出现的几起案子，更是在滨河造成了极大的恐慌，老刑警刘岩，带你破解...
沈念sama阅读 199,340评论 5赞 467
死咒
序言：滨河连续发生了三起死亡事件，死亡现场离奇诡异，居然都是意外死亡，警方通过查阅死者的电脑和手机，发现死者居然都...
沈念sama阅读 83,762评论 2赞 376
救了他两次的神仙让他今天三更去死
文/潘晓璐我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
开封第一讲书人阅读 146,329评论 0赞 329
道士缉凶录：失踪的卖姜人
文/不坏的土叔我叫张陵，是天一观的道长。经常有香客问我，道长，这世上最难降的妖魔是什么？我笑而不...
开封第一讲书人阅读 53,678评论 1赞 270
港岛之恋（遗憾婚礼）
正文为了忘掉前任，我火速办了婚礼，结果婚礼上，老公的妹妹穿的比我还像新娘。我一直安慰自己，他们只是感情好，可当我...
茶点故事阅读 62,583评论 5赞 359
恶毒庶女顶嫁案：这布局不是一般人想出来的
文/花漫我一把揭开白布。她就那样静静地躺着，像睡着了一般。火红的嫁衣衬着肌肤如雪。梳的纹丝不乱的头发上，一...
开封第一讲书人阅读 47,995评论 1赞 275
城市分裂传说
那天，我揣着相机与录音，去河边找鬼。笑死，一个胖子当着我的面吹牛，可吹牛的内容都是我干的。我是一名探鬼主播，决...
沈念sama阅读 37,493评论 3赞 390
双鸳鸯连环套：你想象不到人心有多黑
文/苍兰香墨我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
开封第一讲书人阅读 36,145评论 0赞 254
万荣杀人案实录
序言：老挝万荣一对情侣失踪，失踪者是张志新（化名）和其女友刘颖，没想到半个月后，有当地人在树林里发现了一具尸体，经...
沈念sama阅读 40,293评论 1赞 294
护林员之死
正文独居荒郊野岭守林人离奇死亡，尸身上长有42处带血的脓包…… 初始之章·张勋以下内容为张勋视角年9月15日...
茶点故事阅读 35,250评论 2赞 317
白月光启示录
正文我和宋清朗相恋三年，在试婚纱的时候发现自己被绿了。大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
茶点故事阅读 37,267评论 1赞 328
活死人
序言：一个原本活蹦乱跳的男人离奇死亡，死状恐怖，灵堂内的尸体忽然破棺而出，到底是诈尸还是另有隐情，我是刑警宁泽，带...
沈念sama阅读 32,973评论 3赞 316
日本核电站爆炸内幕
正文年R本政府宣布，位于F岛的核电站，受9级特大地震影响，放射性物质发生泄漏。R本人自食恶果不足惜，却给世界环境...
茶点故事阅读 38,556评论 3赞 303
男人毒药：我在死后第九天来索命
文/蒙蒙一、第九天我趴在偏房一处隐蔽的房顶上张望。院中可真热闹，春花似锦、人声如沸。这庄子的主人今日做“春日...
开封第一讲书人阅读 29,648评论 0赞 19
一桩弑父案，背后竟有这般阴谋
文/苍兰香墨我抬头看了看天上的太阳。三九已至，却和暖如春，着一层夹袄步出监牢的瞬间，已是汗流浃背。一阵脚步声响...
开封第一讲书人阅读 30,873评论 1赞 255
情欲美人皮
我被黑心中介骗来泰国打工，没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留，地道东北人。一个月前我还...
沈念sama阅读 42,257评论 2赞 345
代替公主和亲
正文我出身青楼，却偏偏与公主长得像，于是被迫代替她去往敌国和亲。传闻我的和亲对象是个残疾皇子，可洞房花烛夜当晚...
茶点故事阅读 41,809评论 2赞 339

关于逻辑回归模型的梯度下降算法

举例说明

推荐阅读更多精彩内容