Bài giảng "Máy học nâng cao: Logistic regression" cung cấp cho người học các kiến thức: Khái niệm hồi qui logistic (Logistic Regression), mô hình hóa, sigmoid function, logistic regression và bài toán phân loại 2 lớp, . Mời các bạn cùng tham khảo. | Bài giảng Máy học nâng cao Logistic regression - Trịnh Tấn Đạt Trịnh Tấn Đạt Khoa CNTT Đại Học Sài Gòn Email trinhtandat@ Website https site ttdat88 Nội dung Khái niệm hồi qui logistic Logistic Regression Mô hình hóa Sigmoid function Logistic Regression và bài toán phân loại 2 lớp Logistic Regression dùng SGD Mở rộng Bài Tập Logistic Regression Phương pháp hồi quy logistic là một mô hình hồi quy nhằm dự đoán output rời rạc discrete target variable y ứng với một vector input x. Việc này tương đương với chuyện phân loại các x vào các nhóm y tương ứng. Thường dùng trong binary classification. Có thể mở rộng cho multiclass softmax regression Logistic Regression Ví dụ Ngân hàng có chương trình cho vay ưu đãi cho các đối tượng mua chung cư. Số lượng hồ sơ gửi về 1000-2000 hồ sơ mỗi ngày. Input mức lương và thời gian công tác Output cho vay hoặc từ chối thời kỳ khó khăn nên việc cho vay bị thắt lại chỉ những hồ sơ nào chắc chắn trên 80 mới được vay. cần tìm xác xuất nên cho hồ sơ ấy vay là bao nhiêu Logistic Regression Modeling Linear Regression Output của logistic regression thường được viết chung dưới dạng Trong đó θ được gọi là logistic function Tổng quát θ . được gọi là một activation function hàm kích hoạt Logistic Regression Ví dụ Một số activation function phổ biến Logistic Regression Sigmoid function Ví dụ cần tìm xác xuất của hồ sơ mới nên cho vay. Hay giá trị của hàm cần trong khoảng 0 1 . Rõ ràng là giá trị của phương trình đường thẳng như bài trước có thể ra ngoài khoảng 0 1 nên cần một hàm mới luôn có giá trị trong khoảng 0 1 Logistic Regression Sigmoid function bị chặn trong khoảng 0 1 có đạo hàm tại mọi điểm có thể áp dụng gradient descent Logistic Regression Modeling Xem xét bài toán binary classification phân loại 2 lớp 0 và 1 Giả sử rằng xác suất để một điểm dữ liệu x rơi vào class 1 là class 0 là Dựa vào dữ liệu training đã biết output y và input x ta có thể viết như sau được hiểu là xác suất xảy ra sự kiện đầu ra yi 1 khi .
