如何在逻辑回归中手动计算截距（Beta 0）和系数（Beta 1）？
How to Manually Calculate Intercept (Beta 0) and Coefficient (Beta 1) in Logistic Regression?
我目前正在研究逻辑回归。但是我在计算截距（Beta 0）和系数（Beta 1）时遇到了困难。我一直在网上找它，但只能得到使用 Microsoft Excel 或 R 中内置函数的教程。我听说它可以通过最大似然法解决，但我不明白如何使用它，因为我没有统计背景。谁能给我一个关于计算截距（Beta 0）和系数（Beta 1）的简要解释和模拟？
逻辑回归没有封闭形式的解决方案，但是有很多迭代方法来学习它的参数。最简单的方法之一是最速下降法，它简单地沿与梯度相反的方向迭代移动。对于一维逻辑回归，它将是：
beta1_t+1 = beta1_t - alpha * SUM_(x, y) x * (s(beta1_t*x + beta0_t) - y)
beta0_t+1 = beta0_t - alpha * SUM_(x, y) (s(beta1_t*x + beta0_t) - y)
其中：
s(x) = 1 / (1 + exp(-x))
和
alpha 是学习率，足够小的东西，比如 0.01- 您的模型的预测是
s(beta1 * x + beta0)
- 你的数据是
{(x1, y1), ..., (xK, yK)}) 的形式，每个 yi 是 0 或 1
这是字面上的意思
beta_t+1 = beta_t - alpha * GRAD_theta J(beta_t)
其中 J 是逻辑损失
我目前正在研究逻辑回归。但是我在计算截距（Beta 0）和系数（Beta 1）时遇到了困难。我一直在网上找它，但只能得到使用 Microsoft Excel 或 R 中内置函数的教程。我听说它可以通过最大似然法解决，但我不明白如何使用它，因为我没有统计背景。谁能给我一个关于计算截距（Beta 0）和系数（Beta 1）的简要解释和模拟？
逻辑回归没有封闭形式的解决方案，但是有很多迭代方法来学习它的参数。最简单的方法之一是最速下降法，它简单地沿与梯度相反的方向迭代移动。对于一维逻辑回归，它将是：
beta1_t+1 = beta1_t - alpha * SUM_(x, y) x * (s(beta1_t*x + beta0_t) - y)
beta0_t+1 = beta0_t - alpha * SUM_(x, y) (s(beta1_t*x + beta0_t) - y)
其中：
s(x) = 1 / (1 + exp(-x))
和
alpha是学习率，足够小的东西，比如 0.01- 您的模型的预测是
s(beta1 * x + beta0) - 你的数据是
{(x1, y1), ..., (xK, yK)})的形式，每个yi是 0 或 1
这是字面上的意思
beta_t+1 = beta_t - alpha * GRAD_theta J(beta_t)
其中 J 是逻辑损失