标签：inf info 表示 AC span alt png spl 图片
对于特征\(x=(x_1,x_2,..,x_d)\)来说，我们可以计算器加权“风险分数”\[s=\sum_{i=0}^d w_ix_i\]
但这是一个实数领域的数值，我们想把其映射到0到1之间来表示不同类别的概率，则可使用下面sigmoid函数：
sigmoid函数公式是\(\theta(x)=\frac{1}{1+e^{-x}}\)，把\(w^Tx\)带入得\(f(x)=\frac{1}{1+e^{-w^Tx}}\)
知道了函数形式，下面要求逻辑回归函数的损失函数，我们的函数等价于\(f(x)=P(+1|x)\)。假设我们的数据集为\(D=\{(x_1,-1),(x_2,1),...,(x_N,1)\}\),那么这个数据集出现的几率是\(P(x_1)P(-1|x_1)P(x_2)P(1|x_2)...P(x_N)P(1|X_N)\),那么f(x)产生这样一个数据集的可能性为 \(P(x_1)f(x_1)P(x_2)(1-f(x_2))...P(x_N)(1-f(x_N))\)
标签：inf info 表示 AC span alt png spl 图片
原文地址：https://www.cnblogs.com/whig/p/9043087.html
