machine-learning - 对逻辑回归二元分类器的决策边界感到困惑
问题描述
我一直无法解决一个问题。在该问题中,假设函数 H 由下式给出
H(x) = g(B0 + B1*X1 + B2*X2)
在哪里
B0 = 6,B1 = 0 和 B2 = -1
我得到了这些数字:
问题是哪个数字将代表分类器给出的决策边界。答案是图 B,但我不太明白为什么。有人可以向我解释为什么会这样吗?
解决方案
如果你采用阈值 0.5 进行分类,你得到的是:
g(z) > 0.5 ---> predict y = 1 => z > 0
g(z) < 0.5 ---> predict y = 0 => z < 0
for the first case if we take the relation z > 0, we get:
B0 + B1*X1 + B2*X2 > 0
6 + 0*x1 + (-1)*X2 > 0
X2 < 6
因此,当 X2 < 6 时,您必须预测 y = 1,而当 X2 > 6 时,您必须预测 y = 0
推荐阅读
- javascript - React Native:无法更改文本的颜色
零件 - python - 检查 pygame.key.get_pressed() 的结果时出现“元组对象不可调用”
- javascript - 为什么即使我已经安装了 Gatsby 命令也无法工作?
- wordpress - Wordpress 通过 REST/JSON/Auth 连接到 SmartSheet
- javascript - 打字稿不尊重 Lib
- javascript - 如何使用另一个按钮禁用 React Native 中的按钮?
- amazon-web-services - 可以从一个 API Gateway 阶段调用多个 AWS Lambda 别名吗?
- python - 使用pyo3从rust移植到python的类的__str__函数没有在打印中使用
- facebook - Facebook Graph API:是端点 https://graph.facebook.com/
/事件工作? - node.js - TypeError:部署时无法读取未定义的属性“查找”但不是本地