逻辑回归和成本函数

1.1 二分分类（Binary Classification）

案例：Cat vs Non-Cat
训练一个分类器，该分类器的输入是由特征向量表示的图像，预测相应结果。假设图像为64x64的三通道（RGB）图片，需要通过训练得到的分类器判断图片中是否有猫，有则用1表示，没有则用0表示。

Cat vs Non-Cat

要创建特征向量x，每种颜色的像素强度值需要“展开（unroll）”或“重塑（reshape）”。例如上图展开后输入特征向量的维数表达为n_x=64x64x3=12288

展开结果

1.2 逻辑回归（Logistic Regression）

已知一个二元分类问题中，输入特征向量为x，假设x是一张猫或其他动物图片，我们希望通过一个函数输出一个预测值y_hat，来判断其是否为一张猫图。其中预测值y_hat可以看成该图是否为猫的图片的概率值，概率值可以为0~1之间的任何数。
为了得到这个函数，假设函数的输入为x（x∈R^n_x，x为n_x维向量），函数的参数为w（w∈R^n_x）和b（b∈R），函数的输出为y_hat=w^Tx+b。显然该线性函数的输出并不能满足函数值在0~1之间的条件，所以我们需要用一个Sigmoid function（函数图像如下），将y_hat的值代替Z，从而得到函数输出为：y_hat = σ(w^Tx+b)。
Sigmoid function函数图像如下：

Sigmoid function

从该函数图像可以看出：

当Z趋于无穷大时，函数值σ(Z)趋于1
当Z趋于无穷小时，函数值σ(Z)趋于0
当Z=0时，函数值σ(Z)=0.5

1.3、成本函数（Cost Function）

为了训练参数w和b，使函数的预测结果更加准确，就需要引入损失函数（Loss(Error) Function）的概念：
损失函数的目的是表示预测值与真实值之间的差距，即计算单个训练样本的误差。
已知：

y_hat⁽ⁱ⁾=σ(w^Tx⁽ⁱ⁾+b) where σ(Z⁽ⁱ⁾)=1/1+e^-Z⁽ⁱ⁾
Give {（x⁽¹⁾，y⁽¹⁾）......（x⁽ⁱ⁾，y⁽ⁱ⁾）} want y_hat⁽ⁱ⁾≈y⁽ⁱ⁾

则损失函数L(y_hat⁽ⁱ⁾,y⁽ⁱ⁾)可以写成：

L(y_hat⁽ⁱ⁾,y⁽ⁱ⁾)=1/2（y_hat⁽ⁱ⁾-y⁽ⁱ⁾）²
L(y_hat⁽ⁱ⁾,y⁽ⁱ⁾)= - (y⁽ⁱ⁾log(y_hat⁽ⁱ⁾)) + ((1-y⁽ⁱ⁾)log(1-y_hat⁽ⁱ⁾))

其中y_hat为预测值，y为真实值，上标 i 表示第 i 个训练样本
由此可得：

当y⁽ⁱ⁾=1时：L(y_hat⁽ⁱ⁾,y⁽ⁱ⁾)= - log(y_hat⁽ⁱ⁾) 其中log(y_hat⁽ⁱ⁾)和y_hat⁽ⁱ⁾应该趋近于1
当y⁽ⁱ⁾=0时：L(y_hat⁽ⁱ⁾,y⁽ⁱ⁾)= - log(1-y_hat⁽ⁱ⁾) 其中log(1-y_hat⁽ⁱ⁾)和y_hat⁽ⁱ⁾应该趋近于0

成本函数（Cost Function）即为整个训练集损失函数的平均值，表示为：

成本函数表达式

学习资料

网易云课堂：《深度学习工程师》吴恩达（Andrew Ng）
https://mooc.study.163.com/smartSpec/detail/1001319001.htm

最后编辑于：2019.03.08 10:29:58