标签：lfw 帮助 代码 -o 权重 cow svc qpi 公式
如果和一个人交流时，他的思想像弹幕一样飘散在空中，将是怎样的一种景象？我想大概会毫不犹豫的点关闭的。生活为啥不能简单明了？因为太直白了令人乏味。保留一些不确定性反而扑朔迷离，引人入胜。我们学习了线性回归，对于损失函数及权重更新公式理解起来毫无压力，这是具体直白的好处。然而遇到抽象晦涩的逻辑回归，它的损失函数及权重更新公式就经历了从p(取值范围0~1)->p/(1-p)(取值范围0~+oo)->z=log(p/(1-p))(取值范围-oo~+oo)->p=1/1+e^(-z)->极大似然函数->log似然->log似然对于权重求导等一系列诡异而不失合理的变化。第一感觉是套路好深，变幻莫测到难以掌握。然而多看几遍，再给高数一次机会，会发现这些公式并不那么面目可憎。有时困难是在想象中逐渐长大的。
逻辑回归是用于分类的一个强大算法，广泛应用于银行贷款、广告精准投放等领域。关于它的基础知识可以参考：
1、回归XY | 数据江湖：回归五式之第二式（逻辑回归）https://mp.weixin.qq.com/s/MRlH5hdPRYNBem53xQBJNQ
2、零基础掌握极大似然估计
https://mp.weixin.qq.com/s/Zur3PgwtYvVs9ZTOKwTbYg
3、逻辑回归原理及实现（含最大似然函数及权重更新公式推导）
http://www.cnblogs.com/sxron/p/5489214.html
该搬的砖一块都不能少啊，否则有一天，看似巍峨高耸的大楼轰然倒塌，那时，成功学和鸡汤都帮不了你啦……
为了帮助理解，下面首先用代码画出sigmoid函数，也即1/1+e^(-z)：
逻辑回归的损失函数可以看作log似然函数加上负号：
损失函数关于Φ(z)的作图代码如下：
下面在Python中实现了逻辑回归算法：
乍见之欢不如久处不厌，希望大家能守住内心的淡泊宁静，在虚无的生命中找到永恒不变的意义。下周学习如何用scikit-learn完成分类任务，敬请期待：）
标签：lfw 帮助 代码 -o 权重 cow svc qpi 公式
原文地址：http://www.cnblogs.com/turingbrain/p/7502243.html
