{"resolved":true,"match_type":"uuid","source_type":"original_book","book_id":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","title":"人工智能与大数据技术导论","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787302517986","requested_by":"printed_page","book":{"source_type":"original_book","book_id":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","id":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","uuid":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","title":"人工智能与大数据技术导论","normalized_title":"人工智能与大数据技术导论","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787302517986","isbns":["9787302517986"],"parsed":true,"ai_readable":true,"document_type":"book","page_count":490,"navigation_url":"https://workshop.closeclaw.top/ai/book/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","title_url":"https://workshop.closeclaw.top/ai/title/%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E4%B8%8E%E5%A4%A7%E6%95%B0%E6%8D%AE%E6%8A%80%E6%9C%AF%E5%AF%BC%E8%AE%BA","fixed_page_url_template":"https://workshop.closeclaw.top/ai/book/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/page/{printed_page}","path_api_url_template":"https://workshop.closeclaw.top/api/ai/book/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/page/{printed_page}","read_url":"https://workshop.closeclaw.top/api/ai/read/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","page_url":"https://workshop.closeclaw.top/api/ai/books/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/page","search_url":"https://workshop.closeclaw.top/api/ai/books/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/search"},"page":{"printed_page":174,"pdf_page":190,"physical_index":190,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"d10d6e4fe403c906fb899d6075a08dd10031b381d5dc01ee4b9756e8a031e3c6"},"chapter":"第6章","content":"线性回归之所以不适合解决分类问题，是因为因变量y的取值范围是全体实数，而我们需要的因变量是介于0和1之间的数。sigmoid函数的引入刚好解决了这个问题，从φ(z)的表达式可以看出， $\\phi ( z )$ 这个函数将全体实数集映射到（0，1）这个区间。这样因变量y就被定在了(0,1）这个区间。虽然和我们想要的两点分布形式有差别，但（0,1）区间让我们想到什么?概率。\n\n因变量y在这里表示样本属于类别1的概率。y越接近1，这一条样本属于类别1的可能性越高；y越接近0，则它属于类别0的可能性越高。因此，我们可以设定一个临界值，比如0.5，对于每一个x，在计算得到的y值大于0.5时，归为类别1，在y值小于等于0.5时，归为类别0。\n\n逻辑回归还有另一种书写形式，该形式保留线性回归模型中等号右边的形式，并在左边对y加一个连接函数：\n\n$$\n{ \\mathrm { l o g i t ( y ) } } = a 0 + { \\mathrm { a l x l } } + a 2 { \\mathrm { x } } 2 + \\ldots + { \\mathrm { a m x m } }\n$$\n\n这里 $\\scriptstyle \\log \\mathrm { i t } ( \\mathbf { y } ) = \\log ( \\mathbf { \\mu } \\mathbf { y } / ( 1 - \\mathbf { y } ) )$ 。通过数学推导，可以证明两种形式是等价的。\n\n这个模型具体是怎么运作的呢?同线性回归一样，上述公式描述了y与x之间的客观关系。x是自变量，而y是因变量。逻辑模型告诉我们y与x之间存在这样一种形式的约束关系，但模型中的参数未知，需要我们去估计。该模型中的参数与线性回归的参数相同，即$\\mathrm { a 0 , a 1 , \\ldots , a m }$ 。这个模型参数一般用极大似然估计来求解。\n\n在进行预测时，我们可以使用（2）式。计算好参数之后，我们就可以按照（2）式的法则由给定的 x 计算出 y。若 $y \\geqslant 0 . 5$ ，则分类为1；若 $y { < } 0 . 5 ,$ 则分类为0。这样我们的分类任务就完成了。\n\n人工智能与大数据技术导论\n\n174","previous_page":173,"next_page":175}