元宵节快乐
来源：3-7 芯片检测实战
慕神9973112
2020-02-09
老师，又学习了一章节新的东西，谢谢老师。老师我比较笨，我有几个问题想下；
第0个，老师的两个案例都是 只有两个特征向量，也就是theta1和theta2,
如果有多个，那么可视化的时候应该怎么可视化，我比较困惑，是像第二章一样线性回归一样，看每两个变量的二维图。
一，老师讲了梯度下降，那么他的步伐那个a,具体表现在哪里，scklearn里面会自己优化这个梯度下降的算法吗？还是在对象的方法中有默认的值。
二。逻辑回归只是针对二分类吗，对多分类还是得用神经网络，决策树那些吗？
二，
老师求的x2，我试着求了下x1,然后我就晕了。。我开始不理解，为什么要用x2_new = -(theta0+theta1*x1)/theta2这个，为什么要用已知的x1去推未知的x2_new,求出的意义又是什么？
三，老师辛苦，元宵节快乐！昨天太累了。没看，今天抓紧时间看了下，很期待老师后面的课程！
2回答
-
0、当变量非常多的时候，可能无法直接可视化结果，因为通常我们普通作图都是2D或者3D的，这个时候可以主要通过一些模型评估指标来看模型的表现；
1、梯度下降法是实现回归、分类、mlp模型求解用的非常多的，因此我在知识讲解时有专门讲解。但其实线性回归的求解还有另外一种方法，称为正规方程求解（英文：regular expression）。这种方法不需要指定alpha，而是直接通过特征向量的矩阵计算完成，有两个很大的缺点：参数维度很高以后不适用；不能用于逻辑回归、mlp求解。因此flare老师没有介绍。当然，我们调用linearregression模型的时候，通常默认使用了这种求解方法，因此不需要指定alpha。
2、普通的logistic回归只能针对二分类(Binary Classification)问题，要想实现多个类别的分类，必须改进logistic回归，让其适应多分类问题。通常来说有两种改进方法：
第一种方式是直接根据每个类别，都建立一个二分类器，带有这个类别的样本标记为1，带有其他类别的样本标记为0。假如我们有个类别，最后我们就得到了个针对不同标记的普通的logistic分类器。(One VS Rest/ALL)
第二种方式要是将n个数据分类结果任意两个进行组合，然后对其单独进行训练和预测，最终在所有的预测种类中比较其赢数最高的即为分类结果，这样的分类方式最终将训练分为n(n-1)/2个模型(One VS One)
考虑本门课程的受众，没有进行太过深入的讲解，感兴趣的小伙伴可以继续学习一下逻辑回归用于多分类；
3、意义就是为了能够可视化你的分类的边界（decision boundary)，这样你就能直观的看到分类的效果了。
问的挺细的，你学的很细心，很会反思，给你点赞。
322022-06-08 -
慕神9973112
提问者
2020-02-10
谢谢老师，辛苦了
112020-02-10
相似问题