这是代码

function [theta] = LR(D)
% D is the data having feature variables and class labels

% Now decompose D into X and C
%Note that dimensions of X =  , C =

C = D(:,1);
C = C';
size(C)
X = D(:,2:size(D,2));
size(X)
alpha = .00001;

theta_old = zeros(1,34);
theta_new = .001.*ones(1,34);
count = 1;
for count = 1:100000
    theta_old = theta_new;
    theta_new = theta_new + alpha*(C-sigmoid(X*theta_new')')*X;
    llr =  sum(LLR((X*theta_new').*(C')))
end
thetaopt = theta_new


end


function a = LLR( z )
a= 1.*log(1.0 + exp(-z));
end

function a = sigmoid(z)
 a = 1.0 ./ (1.0 + exp(-z));
 end


我的问题是对数似然比先降低,然后开始增加。这是梯度下降算法或代码的问题吗?

最佳答案

您的目标函数似乎有问题。

如果标签(C)在{0,1}中,则您应该使用损耗C.*LLR(X*theta')+(1-C).*(LLR(X*theta')+X*theta')

如果标签在{-1,1}中,则丢失应该是LLR(C.*X*theta')

您似乎只使用第一类损失函数的第一部分。

关于matlab - Matlab中的Logistic回归梯度下降,我们在Stack Overflow上找到一个类似的问题:https://stackoverflow.com/questions/21917353/

10-12 03:26