คำถามติดแท็ก logistic-regression

จากคลาสการเรียนรู้เชิงลึกของ Udacityซอฟต์แม็กซ์ของ y_i นั้นเป็นเพียงแค่เลขชี้กำลังหารด้วยผลรวมของเลขชี้กำลังของเวกเตอร์ Y ทั้งหมด: S(y_i)ฟังก์ชัน softmax อยู่ที่ไหนy_iและeเป็นเลขชี้กำลังและjเป็นเลขที่ ของคอลัมน์ในเวกเตอร์อินพุต Y ฉันได้ลองทำสิ่งต่อไปนี้แล้ว: import numpy as np def softmax(x): """Compute softmax values for each sets of scores in x.""" e_x = np.exp(x - np.max(x)) return e_x / e_x.sum() scores = [3.0, 1.0, 0.2] print(softmax(scores)) ซึ่งผลตอบแทน: [ 0.8360188 0.11314284 0.05083836] แต่ทางออกที่แนะนำคือ: def …

247 python  numpy  machine-learning  logistic-regression  softmax 

ฉันสงสัยว่ามีการระบุค่าเริ่มต้นเริ่มต้นglmอย่างไร โพสต์นี้แสดงให้เห็นว่ามีการตั้งค่าเริ่มต้นเป็นศูนย์ นี้หนึ่งบอกว่ามีขั้นตอนวิธีการที่อยู่เบื้องหลังมัน แต่การเชื่อมโยงที่เกี่ยวข้องจะเสีย ฉันพยายามจัดรูปแบบการถดถอยแบบโลจิสติกส์แบบเรียบง่ายด้วยการติดตามอัลกอริทึม: set.seed(123) x <- rnorm(100) p <- 1/(1 + exp(-x)) y <- rbinom(100, size = 1, prob = p) # to see parameter estimates in each step trace(glm.fit, quote(print(coefold)), at = list(c(22, 4, 8, 4, 19, 3))) ก่อนไม่มีข้อกำหนดของค่าเริ่มต้น: glm(y ~ x, family = "binomial") Tracing glm.fit(x …

10 r  logistic-regression  glm