Coursera Machine Learning 第7章まとめ - Qiita

J(\theta)=C\sum_{i=1}^{m}y^{(i)} cost_1 (\theta^T x^{(i)} )+(1-y^{(i)} )cost_0 (\theta^T x^{(i)} )+\frac{1}{2}\sum_{j-1}^{n}\Theta_{j}^{2} このコスト関数を最小化する$\theta$を用いて、仮説関数$h_\theta (x)$が正負を判断する。 ロジスティック回帰のコスト関数は以下の通りなので、違う点はいくつかある。 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)})))+\frac{\lambda}{2m}\sum_{j-1}^{n}\Theta_{j}^{2} ・$cost

[rin51]

サポートベクターマシン