《Python数据挖掘与机器学习实战》—3.6.2 构造损失函数J

举报
华章计算机 发表于 2019/06/17 14:22:52 2019/06/17
【摘要】 本节书摘来自华章计算机《Python数据挖掘与机器学习实战》一书中的第3章,第3.6.2节,作者是方巍 。

3.6.2  构造损失函数J

  与多元线性回归所采用的最小二乘法的参数估计方法相对应,最大似然法是逻辑回归所采用的参数估计方法,其原理是找到这样一个参数,可以让样本数据所包含的观察值被观察到的可能性最大。这种寻找最大可能性的方法需要反复计算,对计算能力有很高的要求。最大似然法的优点是大样本数据中参数的估计稳定、偏差小、估计方差小。

  接下来使用概率论中极大似然估计的方法去求解损失函数:

  首先得到概率函数为:

               image.png(3-17)

  因为样本数据(m个)独立,所以它们的联合分布可以表示为各边际分布的乘积,取似然函数为:

             image.png (3-18)

  取对数似然函数:

              image.png(3-19)

  最大似然估计就是要求得使l(θ)取最大值时的θ,这里可以使用梯度上升法求解,求得的θ就是要求的最佳参数:

     image.png         (3-20)

  基于最大似然估计推导得到Cost函数和J函数如下:

    image.png          (3-21)

image.png


【版权声明】本文为华为云社区用户转载文章,如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。