图解最常用的10个机器学习算法（3分钟理解机器学习算法之线性分类器）
图解最常用的10个机器学习算法（3分钟理解机器学习算法之线性分类器）好了，今天加班回来有点晚，就到这吧！大家理解了吗，如有疑问，欢迎关注留下次更新逻辑斯蒂回归相关的实战案例，欢饮大家关注！！！这里z属于整体实数域，且g属于（0 1）它的函数图像如下：如果将上面的两个方程整合，将z替换为f，就获得了一个经典的线性分类器，逻辑斯蒂回归模型（logistic regression）：从上图可以看出模型如何处理一个待分类的特征向量：如果z=0，那么g=0.5；如果g<0.5，这特征向量归为一类；反之，如果g>0.5，这特征向量被判别为另一类。
线性分类器（Linear Classifiers）是一种假设特征与分类结果之间存在线性关系的模型，这个模型通过累加各个特征的数值与特征的权重的乘积来做决策。
如果我们定义x =<x1 x2 … xn>来表示n维特征的列向量，同时用w = <w1 w2 … wn>表示n维列向量对应的权重（系数）。同时在增加一个截距b，为了避免其过原点这种硬性假设。由此这种线性关系的表达式为：
这里的f取值范围分布在整个实数域。
二分类问题最简单二分类问题是希望f取0或1，因此需要一个函数把原先的整个实数域映射到（0 1）。于是一个重要的函数应运而生—逻辑斯蒂（logistic）函数
这里z属于整体实数域，且g属于（0 1）它的函数图像如下：
如果将上面的两个方程整合，将z替换为f，就获得了一个经典的线性分类器，逻辑斯蒂回归模型（logistic regression）：
从上图可以看出模型如何处理一个待分类的特征向量：如果z=0，那么g=0.5；如果g<0.5，这特征向量归为一类；反之，如果g>0.5，这特征向量被判别为另一类。
下次更新逻辑斯蒂回归相关的实战案例，欢饮大家关注！！！
好了，今天加班回来有点晚，就到这吧！大家理解了吗，如有疑问，欢迎关注留
