Ранее мы познакомились с основами логистической регрессии, поэтому теперь мы увидим, почему логистическая регрессия помогает с конкретным типом проблем, где выход является фактором, т. е. 1 или 0, True или False и т. д.
Мы знаем, что сигмовидная функция
и заговор это выглядит,
в логистической регрессии мы хотим, чтобы наш результат был в [0,1].
So,
Берем теперь производную функции g(z):
Тогда функция потерь может быть такой:
Функция стоимости для логистической регрессии будет
Поэтому мы используем градиентный спуск, чтобы минимизировать стоимость и получить лучшие параметры.
