本文主要是介绍吴恩达2022机器学习专项课程(一） 6.2 逻辑回归第三周课后实验：Lab2逻辑回归，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
问题预览/关键词
- 逻辑回归预测分类
- 创建逻辑回归算法
- Sigmoid函数
- Sigmoid函数的表示
- sigmoid输出的结果
- Numpy计算指数的方法
- 实验
- python实现sigmoid函数
- 打印输入的z值和sigmoid计算的值
- 可视化z值和sigmoid的值
- 添加更多数据，使用逻辑回归可以正常预测分类
- 总结
逻辑回归预测分类
给定一个肿瘤大小，通过逻辑回归，预测这个肿瘤是良性还是恶性。
创建逻辑回归算法
使用Sigmoid函数。
Sigmoid函数
也叫做逻辑函数，是一个非线性函数。
Sigmoid函数的表示
- e是常数，约为2.7。z是线性回归公式的计算结果。函数的输出值在0-1。
- 推导过程
- 完整形态。
z对sigmoid值的影响：z越大，sigmoid越无限趋近1。z越小。
sigmoid输出的结果
给定x的情况下，结果（类别）等于1的概率。
Numpy计算指数的方法
np.exp。
实验
python实现sigmoid函数
z是参数。
打印输入的z值和sigmoid计算的值
可视化z值和sigmoid的值
添加更多数据，使用逻辑回归可以正常预测分类
总结
面对分类的问题，我们需要使用逻辑回归的sigmoid函数进行预测分类，这个函数是非线性函数。它的输出值在0-1之间，但不会等于0或等于1，只是会无限接近于0或1，因此可以把它的输出理解为等于1的概率或等于0的概率。给定一个x，如果它通过sigmoid得出的结果小于阈值，则分类到0，如果大于等于阈值，则分类到1，这就是分数预测。
这篇关于吴恩达2022机器学习专项课程(一） 6.2 逻辑回归第三周课后实验：Lab2逻辑回归的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
