機器學習實戰 logistic回歸那章，程序5-1 倒數2-4行代碼，理解困難，求指點？

def gradAscent(dataMatIn, classLabels):

dataMatrix = mat(dataMatIn) #convert to NumPy matrix

labelMat = mat(classLabels).transpose() #convert to NumPy matrix

m,n = shape(dataMatrix)

alpha = 0.001

maxCycles = 500

weights = ones((n,1))

for k in range(maxCycles): #heavy on matrix operations

h = sigmoid(dataMatrix*weights) #matrix mult

error = (labelMat - h) #vector subtraction

weights = weights + alpha * dataMatrix.transpose()* error #matrix mult

return weights

---

摘自： TsReaper/Machine-Learning-in-Action

---

之前我也看不懂那裡。這幾天在看周志華的《機器學習》，第三章線性模型裡面有解釋。我直接上傳照片了，但是感覺P59的（3.26）有問題。我用紅筆寫了自己的推算部分

---

對於這題，我也有疑問，如果目標函數是誤差的平方/2的話（事實上我推導了一下也是這個）那麼，應該求目標函數的最小值，最後替換weights時應該是個減號啊，附上我的草稿紙，有點亂，估計只有我自己能看懂

---

這裡用到了極大似然法，重新構建了極大似然函數（參數是W）。代碼中是對極大似然函數求導的結果。

---

可能題主應該已經理解了，但為了後來人能找到答案的話，還是回答一下。

如果你看了前面幾個回答還沒理解的話，請你一定要認真閱讀我下面貼出的這篇文章，裡面有十分詳盡的推導過程。

【機器學習筆記1】Logistic回歸總結 - 洞庭之子的專欄 - CSDN博客

---

這裡有一個針對小白的完整解釋:

Questions about Logistic Regression in Machine Learning in Action and Full Explanation

---

梯度向上法是求 平方誤差的極值，1/2E（h(x)-y）^2，求導：由於h(x)是一次函數，故為E(h(x)-y)*X，向量形式就是error × X了

---

可不可以這麼理解

我數學不好 大神們帶帶我

然後就應該論述y函數 用最大擬然法～

---

這幾行里的+-*運算都是矩陣運算，而不是實數的運算。

---

推薦閱讀：