“`” 参考回答：
逻辑回归本质上是线性回归，只是在特征到结果的映射中加入了一层逻辑函数g(z)，即先把特征线性求和，然后使用函数g(z)作为假设函数来预测。g(z)可以将连续值映射到0 和1。g(z)为sigmoid function.
<img alt=""img"" referrerpolicy=""no-referrer"" src=""https://uploadfiles.nowcoder.com/images/20190315/311436_1552629153567_3F2FED9FFC79DE7245B4AE0350E240EC"">
则
<img alt=""img"" referrerpolicy=""no-referrer"" src=""https://uploadfiles.nowcoder.com/images/20190315/311436_1552629176855_3CA5B2EB374B57233D83ECB662397C60"">
sigmoid function 的导数如下：
<img alt=""img"" referrerpolicy=""no-referrer"" src=""https://uploadfiles.nowcoder.com/images/20190315/311436_1552629199994_EEB683512993C761734F3B0D94596439"">
逻辑回归用来分类0/1 问题，也就是预测结果属于0 或者1 的二值分类问题。这里假设了二值满足伯努利分布，也就是
<img alt=""img"" referrerpolicy=""no-referrer"" src=""https://uploadfiles.nowcoder.com/images/20190315/311436_1552629226456_669A372ABA031C6917222A0816704047"">
其也可以写成如下的形式：
<img alt=""img"" referrerpolicy=""no-referrer"" src=""https://uploadfiles.nowcoder.com/images/20190315/311436_1552629257536_257852BBB36B8861DDEBADDA9A0A54DF"">
对于训练数据集，特征数据x={x1, x2, … , xm}和对应的分类标签y={y1, y2, … , ym}，假设m个样本是相互独立的，那么，极大似然函数为：
<img alt=""img"" referrerpolicy=""no-referrer"" src=""https://uploadfiles.nowcoder.com/images/20190315/311436_1552629277571_FA94484015F73D5BD873F2D9F609EE95"">
log似然为：
<img alt=""img"" referrerpolicy=""no-referrer"" src=""https://uploadfiles.nowcoder.com/images/20190315/311436_1552629328040_6F0D01E818A9F824A4D338BF41A73E96"">
如何使其最大呢？与线性回归类似，我们使用梯度上升的方法（求最小使用梯度下降），那么<img alt=""img"" referrerpolicy=""no-referrer"" src=""https://uploadfiles.nowcoder.com/images/20190315/311436_1552629310746_8069D9581DE0DA5910BEBF9A22C6EF4C"">。
<img alt=""img"" referrerpolicy=""no-referrer"" src=""https://uploadfiles.nowcoder.com/images/20190315/311436_1552629360640_CD50018A303AE2EBBA281CC985ED3CD1"">
如果只用一个训练样例（x，y），采用随机梯度上升规则，那么随机梯度上升更新规则为：<img alt=""img"" referrerpolicy=""no-referrer"" src=""https://uploadfiles.nowcoder.com/images/20190315/311436_1552629391335_8745A474521B0ECB96A4F2AC7974FA2F"">
<pre><code> "“`
Was this helpful?
0 /
0