2.2 logistic回归损失函数（非常重要，深入理解）

1. 上一节当中，为了能够训练logistic回归模型的参数w和b，需要定义一个成本函数
   1. 使用logistic回归训练的成本函数
      1. 
      2. 为了让模型通过学习来调整参数，要给出一个含有m和训练样本的训练集
      3. 很自然的，希望通过训练集找到参数w和b，来得到自己得输出
      4. 对训练集当中的值进行预测，将他写成y^（I）我们希望他会接近于训练集当中的y^（i）的数值
2. 现在来看一下损失函数或者叫做误差函数
   1. 他们可以用来衡量算法的运行情况
   2. 可以定义损失函数为y^和y的差，或者他们差的平方的一半，结果表明你可能这样做，但是实际当中，大家都不会这么做，因为当你学习这些参数的时候，你会发现之后讨论的优化问题，会变成非凸的，最后会得到很多的局部最优解，梯度下降算法可能找不到最优的全局最优值，
   3. 直观理解就是我们定义这个损失函数L，来衡量你的预测输出值y^和y的实际值有多接近，误差平方看起来是一个合理的选择，但是如果用这个的话，梯度下降法就不会很好用，
   4. 在logistic回归中，我们会定义一个不同的损失函数，它起着于误差平方相似的作用，这会给我们一个凸的优化问题，他很容易去做优化，
   5. 在logistic回归中，我们用的损失函数将会是下面这样的，（非常重要！）
      1. 
      2. 直观的看一下为什么这个函数会起到作用，
         1. 记得如果我们使用误差平方越小越好
         2. 对于这个logistic回归的损失函数，同样的，我们也想让它尽可能的小，
      3. 为了更好的理解它能起到好的作用，来看两个例子
         1. 当y=1的时候，就是第一项L带个负号，
            1. 这就是说，当y=1的时候，你想让-log(y^)尽可能小（代表着误差尽可能的小），那么就需要y^足够大，但是因为y^是sigmoid函数得出来的，永远不会比1大，也就是说，如果y=1的时候，你想让y^，尽可能的大，但是它永远不会大于1，所以你要让y^接近1（从sigmoid函数的图像上看一下，采取什么样的措施才能够让y^接近于1呢？就是上一节分析的那样），
         2. 当y=0的时候，
            1. 在学习过程中，想让损失函数小一些，也就意味着你想要log(1-y^)够大，通过这一系列的推导，发现，损失函数让y^尽可能的小，再次，因为y^只能介于0和1之间，所以就是说，当y=0的时候，损失函数会让这些让y^尽可能的接近0，有很多函数都能够达到上面的效果，
      4. 如果y=1，我们尽可能的让y^很大，如果y=0，尽可能的让y^足够小，
         1. 给出解释为什么在logistic回归中，要使用这个形式的损失函数。
      5. 最后说一下
         1. 在单个训练样本中定义的，它衡量了在单个训练样本上的表现（个人理解也就是一个训练集中的每个训练样本），
3. 下面定义一个成本函数
   1. 它衡量的是在全体训练样本上的表现，这个成本函数J，根据之前得到的两个参数w和b，J(w,b)等于所有的训练样本的损失函数的和的平均数
   2. y^是用一组特定的参数w和b，通过logistic回归算法得出的预测输出值，
   3. 损失精度函数适用于单个训练样本，而成本函数，基于参数的总成本，所以在训练logistic回归模型的是时候，我们需要找到合适的参数w和b，让下面这里的成本函数尽可能的小，
4. 这一节我们看到了logistic回归算法的过程，以及训练样本的损失函数，还有和参数相关的总体成本函数，结果表明，logistic回归可以被看作是一个非常小的神经网络，
5. 下一节讲解，神经网络能够做什么，看看如何将logistic回归看做一个非常小得神经网络，

来自为知笔记(Wiz)