我正在研究机器学习中的“逻辑回归”主题。我可以理解整个概念，即它试图最大化实例属于特定类标签的可能性
该算法如果进行多次迭代，则会找到一个权重向量，将各个实例分开，然后继续增加权重向量的大小。我不明白为什么它会尝试增加权重向量的大小
任何帮助将是非常可观的！
最佳答案
我猜您的数据是线性可分离的？在IIRC中，逻辑回归在这种情况下会崩溃。我认为这是一个众所周知的问题。引用自here（在Google上首次出现“逻辑回归可分离数据”）：
...但是，当训练数据是线性可分离的时，会发生两件事：1. |θ|。达到无限2. MLE的数量是无限的。要看到这一点，请注意两个类之间的间隙中的任何阶跃函数（带|θ| =∞的S型）都是MLE
避免这种情况的一种方法是以零均值高斯的形式并以协方差1 /（2λ）I的形式合并先验θ
关于machine-learning - 机器学习中的逻辑回归，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/28736050/