1，逻辑回归(Logistic Regression)
监督学习除了线性回归之外，还有逻辑回归(Logistic Regression)，也叫分类(Classifycation)
分类问题输入和线性回归问题一样，不过它的输出是离散值。
我们先来学习简单二元分类（输出值只有0和1）
问题就是给定n个特征值Xi，输出它的类别0或1.
因为输出只有0和1，线性回归的假设函数就不适合，需要找一种输出值是0到1的函数，可以使用S函数(Sigmoid Function)，也叫逻辑函数(Logistic Function)代替我们的假设函数
(h_{ heta}(x)= g( heta ^{T}x))
(z= heta ^{T}x)
(g(z)= frac{1}{1 + e^{-z}})
(h_{ heta}(x) = g(z))
(g(z))函数图如下所示
可以发现0<=(g(z) = h_{ heta}(x))<=1，符合我们的条件，我们可以对半分，根据hθ(x)更靠近0还是1来分类
hθ(x)≥0.5→y=1
hθ(x)<0.5→y=0
或者解释hθ(x)为类1的概率，那么得到如下公式
hθ(x)=P(y=1|x;θ)=1−P(y=0|x;θ)
P(y=0|x;θ)+P(y=1|x;θ)=1
(z=0)
(e^{0}=1 Rightarrow g(z)=1/2 )
(z o infty, e^{-infty} o 0 Rightarrow g(z)=1 )
(z o -infty, e^{infty} o infty Rightarrow g(z)=0 )
(y=1 ightarrow h_{ heta}(x) geq 0.5 ightarrow h_{ heta}(x)= frac{1}{1 + e^{-z}} geq 0.5 ightarrow frac{e^{z}}{e^{z} + 1} geq 0.5 ightarrow frac{e^{ heta^{T} x}}{e^{ heta^{T} x} + 1} geq 0.5 ightarrow heta^{T} x geq 0)
(y=0 ightarrow heta^{T} x < 0)
z = 0也称为决策边界(Decision Boundary)，是分隔0和1的界线
还有可能是非线性多项式的决策边界
2，代价函数(Cost Function)
如果使用类似线性回归的代价函数，在使用梯度下降法的时候，随着( heta )减小，代价函数会出现多个局部最小值，并不能达到全局最小值，是非凸函数，需要另外选代价函数，可以选择如下代价函数
当y=1和0时的代价函数Cost图像如下
无论y=0还是1，hθ(x)都是与y越接近越小，越远越大，符合代价函数的最初定义
y=0和1合并可得单个样例的代价函数
所有样例的代价函数
改成向量形式
梯度下降法求偏导后
最后结果的公式和线性回归一模一样，除了假设函数hθ(x)
3,我们可以用Octave内部已经集成好的算法，如"Conjugate gradient", "BFGS", and "L-BFGS"，来求线性回归和逻辑回归，这些比梯度下降法快的多，而且还不需要选择学习速率α
只需要写一个求代价函数cost的函数
，再调用 fminunc(@costFunction, initialTheta, options)
4，多元分类
当类别为n(>=3)个时，我们可以把它看成n个2元分类问题，取概率最大的hθ(x)
5，解决过度拟合问题
第一幅图是欠拟合(Underfittting)，也可叫做高偏差(High Bias)，特征太少，无法通过仅有的几个特征模拟线性回归模型
第二幅图是正好，特征正好
第三幅图过度拟合(Overfitting)，也可叫做高方差(High Variance)，特征太多，构建的模型不仅仅模拟了原有的回归模型，还多出了原本模型不具备的特征
解决过度拟合有两种方法
1) 减少特征值
- 手动去除特征值
- 构建特征选择算法
2) 正则化
- 保留所有特征，减小参数θ
- 每一个特征都对线性模型有细微的影响
6，正则化
当我们有如下假设函数时
可以通过加入λθj2来降低θj
相当于惩罚θj
完整正则化公式 ，λ也叫正则参数，后面并有没有θ0
线性回归模型的梯度下降迭代法的正则表达式
移项得到
因为α*λ/m小于1，所以相当于θj减去一个常值，后面就和裸的的线性回归模型一样了
正规方程（Normal Equation）通过如下正则化
当m<=n，加了λ⋅L之后，XTX + λ⋅就可逆了
同理可得，逻辑回归的过度拟合，代价函数和正则化
