6.5 简化的成本函数和梯度下降
参考视频: 6 - 5 - Simplified Cost Function and Gradient Descent (10 min).mkv
在这段视频中,我们将会找出一种稍微简单一点的方法来写代价函数,来替换我们现在 用的方法。同时我们还要弄清楚如何运用梯度下降法,来拟合出逻辑回归的参数。因此,听 了这节课,你就应该知道如何实现一个完整的逻辑回归算法。
这就是逻辑回归的代价函数:
这个式子可以合并成:
即,逻辑回归的代价函数:
根据这个代价函数,为了拟合出参数,该怎么做呢?我们要试图找尽量让 J(θ) 取得最 小值的参数 θ。
所以我们想要尽量减小这一项,这将我们将得到某个参数 θ。 如果我们给出一个新的样本,假如某个特征 x,我们可以用拟合训练样本的参数 θ,来
输出对假设的预测。
另外,我们假设的输出,实际上就是这个概率值:p(y=1|x;θ),就是关于 x 以 θ 为参数, y=1 的概率,你可以认为我们的假设就是估计 y=1 的概率,所以,接下来就是弄清楚如何 最大限度地最小化代价函数 J(θ),作为一个关于 θ 的函数,这样我们才能为训练集拟合出参 数 θ。
最小化代价函数的方法,是使用梯度下降法(gradient descent)。这是我们的代价函数:
如果我们要最小化这个关于 θ 的函数值,这就是我们通常用的梯度下降法的模板。
我们要反复更新每个参数,用这个式子来更新,就是用它自己减去学习率 α 乘以后面的微 分项。求导后得到:
如果你计算一下的话,你会得到的是这个式子:
J = 1
m
h
xiyixi
j
m i1
我把它写在这里,将后面这个式子,在 i=1 到 m 上求和,其实就是预测误差乘以 xi,
j
j
所以你把这个偏导数项
j
J 放回到原来式子这里,我们就可以将梯度下降算法写作如
下形式:
__0
1
所以,如果你有 n 个特征,也就是说:__2 ,参数向量 θ 包括 θ0 θ1 θ2 一直到 θn,
...
n
那么你就需要用这个式子:
来同时更新所有 θ 的值。 现在,如果你把这个更新规则和我们之前用在线性回归上的进行比较的话,你会惊讶地
发现,这个式子正是我们用来做线性回归梯度下降的。 那么,线性回归和逻辑回归是同一个算法吗?要回答这个问题,我们要观察逻辑回归看
看发生了哪些变化。实际上,假设的定义发生了变化。
对于线性回归假设函数: h
xT X
而现在逻辑函数假设函数:
hx
1
1eT X
因此,即使更新参数的规则看起来基本相同,但由于假设的定义发生了变化,所以逻辑 函数的梯度下降,跟线性回归的梯度下降实际上是两个完全不同的东西。
在先前的视频中,当我们在谈论线性回归的梯度下降法时,我们谈到了如何监控梯度下 降法以确保其收敛,我通常也把同样的方法用在逻辑回归中,来监测梯度下降,以确保它正 常收敛。
当使用梯度下降法来实现逻辑回归时,我们有这些不同的参数 θ,就是 θ0 到 θn,我们 需要用这个表达式来更新这些参数。我们还可以使用 for 循环来更新这些参数值,用 for i=1 to n,或者 for i=1 to n+1。当然,不用 for 循环也是可以的,理想情况下,我们更提倡使用 向量化的实现,可以把所有这些 n 个参数同时更新。
最后还有一点,我们之前在谈线性回归时讲到的特征缩放,我们看到了特征缩放是如何 提高梯度下降的收敛速度的,这个特征缩放的方法,也适用于逻辑回归。如果你的特征范围 差距很大的话,那么应用特征缩放的方法,同样也可以让逻辑回归中,梯度下降收敛更快。
就是这样,现在你知道如何实现逻辑回归,这是一种非常强大,甚至可能世界上使用最 广泛的一种分类算法。