公式中的关系逻辑回归和随机梯度下降
Relationship logistic regression and Stochastic gradient descent In Formula
考虑到公式项，我认为 SGD 适用于 Logistic 回归的最终结果。不确定是否正确
只是想知道随机梯度下降和逻辑回归之间的关系。我猜它的工作原理类似于神经元网络，它计算如何提高权重（应用链式法则）。
换句话说，在计算出LR公式之后，它会在其上应用链式法则。获得更好的权重并使其在循环单元 LR 损失率接近于零，这是正确的吗？谢谢
例如，完成LR计算后，
然后应用 SGD(LR) -> 获得更新的权重 -> 在循环中再次执行 LR 直到满足 SGD
逻辑回归 是一种使用逻辑函数（或类似变体）对离散系统建模的方法。也就是说，输出的系统具有有限数量的可能值。您可以将其视为一种 分类 算法（尽管这种描述可能很危险，因为分类在技术上不同于回归），它将一组输入映射到一组有限的输出.
随机梯度下降是梯度下降（或批量梯度下降）的变体优化算法。它不是同时使用所有（或 "batch" 的）训练数据（可能非常 computation/memory 昂贵），而是使用迭代近似来寻找跨 N 维输入的函数的最小值 space.
随机梯度下降可用于构建逻辑回归模型，类似于它可用于构建线性回归模型的方式.模型本身独立于用于训练它的优化算法。虽然 随机梯度下降 通常用作训练算法，但它不是 ONLY 选项。
考虑到公式项，我认为 SGD 适用于 Logistic 回归的最终结果。不确定是否正确
只是想知道随机梯度下降和逻辑回归之间的关系。我猜它的工作原理类似于神经元网络，它计算如何提高权重（应用链式法则）。
换句话说，在计算出LR公式之后，它会在其上应用链式法则。获得更好的权重并使其在循环单元 LR 损失率接近于零，这是正确的吗？谢谢
例如，完成LR计算后，
然后应用 SGD(LR) -> 获得更新的权重 -> 在循环中再次执行 LR 直到满足 SGD
逻辑回归 是一种使用逻辑函数（或类似变体）对离散系统建模的方法。也就是说，输出的系统具有有限数量的可能值。您可以将其视为一种 分类 算法（尽管这种描述可能很危险，因为分类在技术上不同于回归），它将一组输入映射到一组有限的输出.
随机梯度下降是梯度下降（或批量梯度下降）的变体优化算法。它不是同时使用所有（或 "batch" 的）训练数据（可能非常 computation/memory 昂贵），而是使用迭代近似来寻找跨 N 维输入的函数的最小值 space.
随机梯度下降可用于构建逻辑回归模型，类似于它可用于构建线性回归模型的方式.模型本身独立于用于训练它的优化算法。虽然 随机梯度下降 通常用作训练算法，但它不是 ONLY 选项。