ΘT транспонированные параметры вектор © и ΘTx является линейной комбинацией входных features.If вы знаете линейную регрессию, то вы можете думать ΘTx как выход линейной регрессии. Посмотрите на рисунок ниже. ![enter image description here](https://i.stack.imgur.com/KdgXL.png)
Первая часть - линейная регрессия. Выходной сигнал линейной регрессии равен
. Поскольку логистическая регрессия не является регрессией, а проблемой классификации, ваш результат не должен быть непрерывным. Вместо этого вам нужен двоичный вывод для любых входов. Для этого вам нужна функция, которая отображает диапазон ввода в значение от 0 до 1, так что вы можете применить некоторый порог к выходу для получения классификации. И подходящая функция для этого была бы сигмоидной функцией, как вы упомянули.
пересортицы своего вопроса, выход линейной регрессии можно записать в виде
![enter image description here](https://i.stack.imgur.com/cAOJS.gif)
Термина = ΘTx является Векторизованной реализацией выходе линейной регрессии. Таким образом, ΘT - не что иное, как перенос вектора параметра. Это можно понять, следуя математическим операциям. ![enter image description here](https://i.stack.imgur.com/s69z0.gif)
Подробнее о логистической регрессии и кодировании this link.
Если вы это сделаете, следующее сравнение библиотек Java, позволяющее выполнять операции с матрицами, может помочь: http://stackoverflow.com/questions/529457/performance-of-java-matrix-math-libraries. – arturomp