algorithm - 参数theta更新后决策边界如何引导

Question

我这学期一直在学习机器学习算法，但我似乎无法理解一旦运行 Gradient decent 并更新它们后如何使用参数 theta，特别是在 Logistic 回归中，简而言之，我的问题是决策边界如何在参数 theta 更新后进行试点。

Answer 1

在使用梯度下降估计参数 theta 后，您可以使用这些计算出的参数进行预测。

对于任何输入 x，您现在可以计算预测结果 y。

机器学习的最终目标是做出预测。

因此，您进行了一大堆观察 x 和 y。其中 x 是您的输入，y 是您的输出。在逻辑回归的情况下，y 是两个值之一。例如，拿一堆标记为垃圾邮件或非垃圾邮件的电子邮件 (x)(y 为 1 表示垃圾邮件，0 表示无垃圾邮件)。或者拍摄一堆标记为健康或不健康的医学图像。 ...

将所有这些数据输入到您的机器学习算法中。您的算法(例如梯度下降)将计算 theta 系数。

现在您可以使用这些 theta 系数来预测新的 x 值。例如系统从未见过的一封新邮件，使用 theta 系数，您可以预测它是否是垃圾邮件。

至于绘制决策边界。当 x 有两个维度时，这可能是可行的。每个轴上可以有一个维度。在你的图表中得到的点就是你的 y 值。您可以为它们涂上不同的颜色或显示不同的形状，无论结果是一种方式还是另一种方式(即您的 y 是 0 或 1)。

在实践中，这些图在讲座中很有用，可以让您大致了解您正在尝试做的事情或要完成的事情。实际上，每个输入 X 可能是一个包含许多值(远远超过 2)的向量。因此无法绘制决策边界。