标签：大于   两种   结果   计算   理论   可视化   res   models   nbsp   

一、二元分类的线性模型

线性分类、线性回归、逻辑回归

可视化这三个线性模型的代价函数

SQR、SCE的值都是大于等于0/1的

理论分析上界

将回归应用于分类

线性回归后的参数值常用于pla/pa/logistic regression的参数初始化

二、随机梯度下降

两种迭代优化模式

利用全部样本---》利用随机的单个样本，

梯度下降---》随机梯度下降

SGD与PLA的相似性

当迭代次数足够多时，停止

步长常取0.1

三、使用逻辑回归的多分类问题

是非题---》选择题

每次识别一类A，将其他类都视作非A类

结果出现问题

将是不是A类变为是A类的可能性：软分类

分别计算属于某类的概率，取概率值最大的类为最后的分类结果

OVA总结

注意每次计算一类概率时都得利用全部样本

四、使用二元分类的多分类问题

OVA经常不平衡，即属于某类的样本过多时，分类结果往往倾向于该类

为更加平衡，使用OVO

OVA保留一类，其他为非该类，每次利用全部样本；

OVO保留两类，每次只利用属于这两类的样本

通过投票得出最终分类结果

OVO总结

OVA vs OVO

11 Linear Models for Classification

标签：大于   两种   结果   计算   理论   可视化   res   models   nbsp   

原文地址：http://www.cnblogs.com/cherrychenlee/p/7598705.html