文件名称：假说表示-贴片电子元件丝印查询（带完整目录）
文件大小：7.67MB
文件格式：PDF
更新时间：2024-06-30 14:44:13
机器学习
6.2 假说表示 参考视频: 6 - 2 - Hypothesis Representation (7 min).mkv 回顾在一开始提到的乳腺癌分类问题，我们可以用线性回归的方法求出适合数据的一条 直线： 根据线性回归模型我们只能预测连续的值，然而对于分类问题，我们需要输出 0 或 1， 我们可以预测： 当 hθ大于等于 0.5 时，预测 y=1 当 hθ 小于 0.5 时，预测 y=0 对于上图所示的数据，这样的一个线性模型似乎能很好地 完成分类任务。假使我们又观测到一个非常大尺寸的恶性肿瘤，将其作为实例加入到我们的 训练集中来，这将使得我们获得一条新的直线。 这时，再使用 0.5 作为阀值来预测肿瘤是良性还是恶性便不合适了。可以看出，线性回 归模型，因为其预测的值可以超越[0,1]的范围，并不适合解决这样的问题。 我们引入一个新的模型，逻辑回归，该模型的输出变量范围始终在 0 和 1 之间。 逻辑 回归模型的假设是：hθ(x)=g(θTX) 其中： X 代表特征向量 g 代表逻辑函数（logistic function）是一个常用的逻辑函数为 S 形函数（Sigmoid function），