0

考虑以下：

def sigmoid(inSig):
    return 1.0/(1.0+np.exp(-inSig))

def classifyVector(inX, weights):
    prob = sigmoid(sum(inX*weights))
    if prob > 0.5: return 1.0
    else: return 0.0

我的理解是sigmoid结果的范围是0到1。根据这篇文章（http://clear-lines.com/blog/post/Logistic-Regression.aspx）：

“正值将返回大于 0.5 的值，输入值越大，越接近 1。可以将函数视为返回概率：对于非常高或低的 x 值，有很高的确定性它属于两组之一，对于接近零的值，每组的概率为 50% / 50%。”

但是，如果它是 Sigmoid(0)，sigmoid 似乎只产生 0.5（即零分类）。除非 inX 或 weights 为零（或零向量），否则分类向量不会总是返回 1 吗？

例如，考虑以下数据：

trainset = np.array([[1,1,1],[2,2,2],[3,3,3],[4,4,4]])
trainlbl = np.array([1,12,11,40])

在这里，inX 永远不会为零。如果计算出数学，权重也不会为零。那么，sigmoid 如何提供公平的分析呢？

4

1 回答 1

0

但是，如果它是 Sigmoid(0)，sigmoid 似乎只产生 0.5（即零分类）。除非 inX 或 weights 为零（或零向量），否则分类向量不会总是返回 1 吗？

0.5 是一个阈值，不是必须达到的。如果 sigmoid 产生超过0.5，则分类向量将返回 1。还有很多剩余的值 - 0 到 0.5 之间的所有值。您说得对，恰好获得 0.5 是极其罕见的，但这不是问题，因为每个小于 0.5 的值都会导致分类为“0”。基本上（如果你计算数学）你会得到分类 1 iffinSig是正的（如果是负的则为 0）。由于通过 sigmoid 压缩使正值变得大于 0.5 而负值小于 0.5（而正如您所说 - 零被转换为 0.5）。

于 2016-11-07T01:05:24.210 回答