吳恩達機器學習筆記2——logistic迴歸2

1. 代價函數 解釋： 在輸出的預測值是h(x)，實際標籤是y的情況下，我們希望學習算法付出的代價。 然而，這個代價函數在線性迴歸裏可以，很好用。 但是在logistic迴歸中，就並不適用，會出現一些問題。 實際上，用這個代價函數的話，會變成關於θ的非凸函數。 因爲h(x)本身就是非線性，再去平方加和，更是非線性，就可能會使得代價函數的圖形變爲下圖左邊 這種圖用梯度下降算法的話，可能會找到好多局部

>>阅读原文<<