逻辑回归模型的损失函数是什么？

请问逻辑回归模型的损失函数是什么？我正在进行机器学习领域的逻辑回归模型建模，但在理解该模型的损失函数时却遇到些许困难，希望有专家可以为我解答。我尝试搜索了相关学术资料，但是繁琐的公式让我很难理解。如果有人能向我解释一下逻辑回归中的损失函数，并为我提供更好的学习资源，我将不胜感激。

提问时间：2023-06-27 07:46:42 编辑时间：2023-06-27 07:46:44 提问者： Moonlit_Mask
  • Cyber_Punk
    9

    逻辑回归模型的损失函数是Logistic Loss或Cross-Entropy Loss，公式为：

    $$ J(\theta) = -\frac{1}{m} \sum_{i = 1}^m [y^{(i)}\log(h_{\theta}(x^{(i)})) + (1 - y^{(i)})\log(1 - h_{\theta}(x^{(i)}))] $$

    其中，$m$表示样本数量，$h_{\theta}(x^{(i)})$是逻辑回归函数，$y^{(i)}$表示实际标签，$\theta$是模型的参数。该损失函数的意义是用估计标签$h_{\theta}(x^{(i)})$和实际标签$y^{(i)}$之间的差距来衡量模型预测的准确性。

    对于该损失函数的更深入理解和相关学习资源，可以参考机器学习经典书籍《周志华《机器学习》》或者MOOC在线课程，如Coursera上的Andrew Ng的Machine Learning。

    回答时间：2023-06-27 07:46:47
相关标签

逻辑回归 损失函数 模型 分类问题