吴恩达机器学习笔记2——logistic回归2

1. 代价函数 解释： 在输出的预测值是h(x)，实际标签是y的情况下，我们希望学习算法付出的代价。 然而，这个代价函数在线性回归里可以，很好用。 但是在logistic回归中，就并不适用，会出现一些问题。 实际上，用这个代价函数的话，会变成关于θ的非凸函数。 因为h(x)本身就是非线性，再去平方加和，更是非线性，就可能会使得代价函数的图形变为下图左边 这种图用梯度下降算法的话，可能会找到好多局部

>>阅读原文<<