"LogisticRegression" （机器学习方法）

详细信息与子选项

  • "LogisticRegression" 通过数值特征 , 的线性组合模拟各个类别的对数概率，其中 对应于类别 k 的参数. 参数矩阵 的估计通过最小化损失函数 sum_(i=1)^m-log(P_(theta)(class=y_i|x_i))+lambda_1 sum_(i=1)^nTemplateBox[{{theta, _, i}}, Abs]+(lambda_2)/2 sum_(i=1)^ntheta_i^2 得到.
  • 可以给出下列选项：
  • "L1Regularization" 0损失函数中 的值
    "L2Regularization" Automatic损失函数中 的值
    "OptimizationMethod" Automatic使用什么方法
  • "OptimizationMethod" 的可能设置包括：
  • "LBFGS"Broyden–Fletcher–Goldfarb–Shanno 算法的有限内存
    "StochasticGradientDescent"随机梯度法
    "Newton"牛顿法

范例

打开所有单元关闭所有单元

基本范例  (2)

在标记的示例上训练分类器函数：

获取关于分类器的信息：

对新范例分类：

生成一些正态分布的数据：

可视化：

在此数据集上训练分类器：

将各个类别作为特征的函数，绘制各个类别的训练集和概率分布：

选项  (6)

"L1Regularization"  (2)

使用 "L1Regularization" 选项训练分类器：

生成一些数据，并进行可视化：

使用不同的值作为 "L1Regularization" 训练或干分类器，并比较结果：

"L2Regularization"  (2)

使用 "L2Regularization" 选项训练分类器：

生成一些数据，并进行可视化：

使用不同的值作为 "L2Regularization" 训练或干分类器，并比较结果：

"OptimizationMethod"  (2)

使用特定的 "OptimizationMethod" 训练分类器：

使用 "Newton" 方法训练分类器：

使用 "StochasticGradientDescent" 方法训练分类器：

比较相应的训练时间：