Machine Learning 之Logistic回归算法中最小二乘法的Matlab曲线拟合-阿里云开发者社区

开发者社区> 人工智能> 正文

Machine Learning 之Logistic回归算法中最小二乘法的Matlab曲线拟合

简介: Machine Learning 之Logistic回归算法中最小二乘法的Matlab曲线拟合 逻辑回归是机器学习(Machine Learning)中常见的机器学习算法,在处理逻辑回归(Logistic Regression)离散数据点集时,最常用的算法是最小二乘法。
Machine Learning 之Logistic回归算法中最小二乘法的Matlab曲线拟合


逻辑回归是机器学习(Machine Learning)中常见的机器学习算法,在处理逻辑回归(Logistic Regression)离散数据点集时,最常用的算法是最小二乘法。古代欧洲没有“平方”的叫法,“二乘”其实就是平方。逻辑回归是相对于线性回归而言,线性回归可以较好拟合连续值。但是现实世界中的数据样本往往是非连续性的。逻辑回归可以构建更理想的拟合曲线,拟合现实世界中的散列数据集。
matlab提供了polyfit和polyval支持最小二乘法。举个例子,以常见的曲线方程:




为例。现在给y增加少量的随机噪音,然后生成一些不规则、散列的点,然后算出这些散列点的拟合曲线。matlab代码:

t=randn(1,101);

x=[-10:0.2:10];
y=x.^2+t*6; 
s=scatter(x,y); 
s.LineWidth = 0.6;
s.MarkerEdgeColor = 'g';
s.MarkerFaceColor = [0 0.7 0.7];
hold on; 

p=polyfit(x,y,2)
y1=polyval(p,x);
plot(x,y1,'-r','LineWidth',1);

grid on;

p =

    0.9988   -0.0762    0.9286


拟合曲线(红色)结果如图:



本例是在y=x*x,y值上增加小的常量随机噪音6*t,那么逻辑回归后的多项式,理想结果应该还是y=x*x。经过拟合后的多项式系数为:

p =

    0.9988   -0.0762    0.9286

最终获得拟合的多项式即为:


拟合结果很好的拟合了围绕y=x*x的随机散列点。


版权声明:本文首发在云栖社区,遵循云栖社区版权声明:本文内容由互联网用户自发贡献,版权归用户作者所有,云栖社区不为本文内容承担相关法律责任。云栖社区已升级为阿里云开发者社区。如果您发现本文中有涉嫌抄袭的内容,欢迎发送邮件至:developer2020@service.aliyun.com 进行举报,并提供相关证据,一经查实,阿里云开发者社区将协助删除涉嫌侵权内容。

分享:
人工智能
使用钉钉扫一扫加入圈子
+ 订阅

了解行业+人工智能最先进的技术和实践,参与行业+人工智能实践项目

其他文章