asp网站开发需要什么,高端网站建设企业官网建设,南昌网站开发技术,邯郸住宅与房地产信息网一、引言 逻辑回归中的损失函数通常采用的是交叉熵损失函数#xff08;cross-entropy loss function#xff09;。在逻辑回归中#xff0c;我们通常使用sigmoid函数将线性模型的输出转换为概率值#xff0c;然后将这些概率值与实际标签进行比较#xff0c;从而计算损失。 …一、引言 逻辑回归中的损失函数通常采用的是交叉熵损失函数cross-entropy loss function。在逻辑回归中我们通常使用sigmoid函数将线性模型的输出转换为概率值然后将这些概率值与实际标签进行比较从而计算损失。
二、交叉熵损失函数 在逻辑回归解决二分类问题的学习中我们认识到逻辑回归的输出结果可以看成输入时输出为正例)的概率。 分解如下 于是我们便想到可以通过比较模型预测的概率分布和实际标签之间的差异来衡量模型的准确性。在信息论中交叉熵用来比较两个概率分布之间的差异。
定义交叉熵损失函数Cross-entropy loss function是一种用于衡量模型输出与实际标签之间差异的损失函数。在机器学习中交叉熵损失函数通常用于分类问题中特别是在逻辑回归和神经网络等模型中。
对于一个逻辑回归函数 损失函数公式 简化后的公式 整体损失函数 根据损失函数的定义当的值与目标值越接近损失函数值越小预测越准确。
所以 以预测肿瘤的例子说明如果模型预测患者的肿瘤极大概率如99.9%是恶性而实际却不是恶性我们会得到一个极大的损失函数值。简单来说模型的预测值距离y的真实值越远损失越大。 三、为什么不使用均方差损失函数
非凸性均方差损失函数在逻辑回归中会导致损失函数变成非凸函数这会导致优化过程变得非常困难。因为非凸函数有多个局部最小值 而均方差损失函数可能会陷入局部最小值而无法到达全局最小值这回影响模型的训练效果。 输出范围不同逻辑回归的输出是概率值范围在0到1之间而均方差损失函数对于这种概率输出不敏感它对于离群值outliers非常敏感。这意味着即使是一个很小的偏离也会导致损失函数变得非常大从而使得模型对于异常值非常敏感。 四、梯度下降实现 在线性回归中我们引入了一种用于求解模型的方法——梯度下降法。对于逻辑回归模型我们也可以采用相同的方法。 对于(整体)损失函数 进行以下操作 repeat{ }simultaneous updates 我们不难发现逻辑回归的梯度下降和之前线性回归中的梯度下降基本一致唯一不同的是发生了变化。 所以在逻辑回归中也可以使用特征缩放的方法加快梯度下降法的收敛速度。
