CS229学习笔记（二）——分类问题与逻辑斯蒂回归（Classi

    当仅能取小数目的离散值时，即为分类问题。本节着重分析二分（binary classification）问题，其中仅能取0和1。0又被称为负类（negative class），1又被称为正类（positive class），有时也会使用符号“-”、“+”表示。

（一）逻辑斯蒂回归（Logistic Regression）

    由于的取值发生了变化，我们相应修改形式：

                                         ，

这里                                         

被称为逻辑斯蒂方程（logistic function）或者sigmoid函数（sigmoid function）。函数图像如下：

同样，我们令，使得.

计算出的导数有：

                                               

                                                         

                                                         

                                                         

让我们假设：

                                                 

                                                 

将两式和为一式有：           。

假设个训练例子相互独立，则其最大似然函数可写为：

                                                 

                                                           

                                                           

与前例相同，我们仍然最大化对数似然函数

              

选用梯度上升的方式最大化对数似然函数，（在线性回归中，最大化对数似然函数即最小化代价函数，故在线性回归中选用的梯度下降法。）同样，我们先考虑一个训练例子的情况，：

推广到随机梯度上升法有：

                                       

与线性回归相同，同样可以使用牛顿法得到。

（二）感知器学习算法（The perceptron learning algorithm）

考虑修改逻辑斯蒂回归方法使得输出值只能为0和1，自然地，我们需要将设定为阈值函数：

同样令，如果我们使用如下更新规则：

                                         

则称为感知器学习算法。