1.Sigmoid or Logistic Function
咱们能够通过应用线性回归模型,𝑓𝐰,𝑏(𝐱(𝑖))=𝐰⋅𝐱(𝑖)+𝑏, 预测𝑦𝑥。然而，咱们心愿咱们的分类模型的预测在 0 到 1 之间，因为咱们的输入变量𝑦不是 0 就是 1。这能够通过应用“sigmoid 函数”来实现，该函数将所有输出值映射到 0 到 1 之间的值。正如在讲座视频中探讨的，对于分类工作，咱们能够从应用咱们的线性回归模型 sigmoid 或 Logistic 函数开始
2.Formula for Sigmoid function
Sigmoid 型函数的公式如下 -
在逻辑回归中，z (Sigmoid 函数的输出) 是线性回归模型的输入。
·Sigmoid 函数的公式在单个例子中，𝑧是标量。
· 在有多个示例的状况下，𝑧可能是由𝑚值组成的向量，每个示例一个值。
·sigmoid 函数的实现应该涵盖这两种潜在的输出格局。让咱们用 Python 实现它。在逻辑回归的状况下，z (sigmoid 函数的输出) 是线性回归模型的输入。
3.Logistic Regression
逻辑回归模型对咱们相熟的线性回归模型利用 s 型曲线，如下图所示:
下图为运行 Sigmoid 函数，执行逻辑回归失去的图像