非常好！讲逻辑回归的，讲得很透彻

参考这篇文章：http://blog.csdn.net/dongtingzhizi/article/details/15962797

这篇文章写的真好，把我之前那篇文章的困惑都解释了 http://www.cnblogs.com/charlesblc/p/6208688.html

对《机器学习实战》上面关于梯度上升和下降之间的区别也说清楚了，真好。

已经下载了pdf版，在 /Users/baidu/Documents/Data/Interview/机器学习-数据挖掘/Logistic回归总结.pdf 

 

 

（1）找一个合适的预测函数（Andrew Ng的公开课中称为hypothesis），一般表示为h函数

（2）构造一个Cost函数（损失函数），该函数表示预测的输出（h）与训练数据类别（y）之间的偏差。将Cost求和或者求平均，记为J(θ)函数，表示所有训练数据预测值与实际类别的偏差。

（3）显然，J(θ)函数的值越小表示预测函数越准确（即h函数越准确），所以这一步需要做的是找到J(θ)函数的最小值。找函数的最小值有不同的方法，Logistic Regression实现时有的是梯度下降法（Gradient Descent）。

 

Logistic函数（或称为Sigmoid函数），函数形式为：

 

构造预测函数为：

hθ(x)函数的值有特殊的含义，它表示结果取1的概率。（非常适合用来做CTR预估，等等）

 

3.2  构造Cost函数

Andrew Ng在课程中直接给出了Cost函数及J(θ)函数如式（5）和（6），但是并没有给出具体的解释，只是说明了这个函数来衡量h函数预测的好坏是合理的。

实际上这里的Cost函数和J(θ)函数是基于最大似然估计推导得到的。最大似然的介绍可以见：

http://www.cnblogs.com/charlesblc/p/6257848.html

 

在Andrew Ng的课程中将J(θ)取为（6）式，

因为乘了一个负的系数-1/m，所以J(θ)取最小值时的θ为要求的最佳参数。（本来极大似然是要求最大值的）

 

 

3.3  梯度下降法求J(θ)的最小值

求J(θ)的最小值可以使用梯度下降法，根据梯度下降法可得θ的更新过程：

式中为α学习步长，下面来求偏导：

 

 

因此，（11）式的更新过程可以写成：

 

因为式中α本来为一常量，所以1/m一般将省略，所以最终的θ更新过程为

 

 

3.4  梯度下降过程向量化

关于θ更新过程的vectorization，Andrew Ng的课程中只是一带而过，没有具体的讲解。

 

下面说明一下我理解《机器学习实战》中代码实现的vectorization过程。

 

 

g(A)的参数A为一列向量，所以实现g函数时要支持列向量作为参数，并返回列向量。由上式可知hθ(x)-y可以由g(A)-y一次计算求得。 

 

综上所述，vectorization后θ更新的步骤如下：

（1）求A=x.θ；

（2）求E=g(A)-y；

（3）求θ:=θ-α.x'.E,  x'表示矩阵x的转置。

 

也可以综合起来写成：

 

前面已经提到过：1/m是可以省略的。 

 

4. 代码分析

图4中是《机器学习实战》中给出的部分实现代码。

 

 一句话，牛逼！

 

其他的看原文！都很重要！