参数theta更新后决策边界如何引导
How is the decision boundary piloted after the parameters theta are updated
我这学期一直在学习机器学习算法，但我似乎无法理解一旦 Gradient decent 运行 参数 theta 是如何使用的并且它们已更新，特别是在逻辑回归中，简而言之我的问题是在更新参数 theta 之后如何引导决策边界。
在使用梯度下降估计参数 theta 后，您可以使用这些计算出的参数进行预测。
对于任何输入 x，您现在可以计算预测结果 y。
机器学习的最终目标是进行预测。
所以你进行了一大堆观察 x 和 y。其中 x 是您的输入，y 是您的输出。在逻辑回归的情况下，y 是两个值之一。例如，拿一堆标记为垃圾邮件或非垃圾邮件的电子邮件 (x)（y 为 1 表示垃圾邮件，0 表示无垃圾邮件）。或者拍摄一堆标记为健康或不健康的医学图像。 ...
将所有这些数据输入到您的机器学习算法中。您的算法（例如梯度下降）将计算 theta 系数。
现在您可以使用这些 theta 系数来预测新的 x 值。比如一封系统没见过的新邮件，利用theta系数，可以预测它是不是垃圾邮件。
至此绘制决策边界。当 x 有两个维度时，这可能是可行的。每个轴上可以有一个维度。在你的图表中得到的点就是你的 y 值。您可以为它们涂上不同的颜色或显示不同的形状，无论结果是一种方式还是另一种方式（即您的 y 是 0 或 1）。
实际上，这些图在讲座中很有用，可以让您大致了解您正在尝试做的事情或要完成的事情。实际上，每个输入 X 可能是一个包含许多值（远远超过 2）的向量。因此无法绘制决策边界。
通常，逻辑回归按以下方式参数化：
cl(x|theta) = 1 / (1 + exp(-SUM_{i=1}^d theta_i x_i + theta_0 )) ) > 0.5
相当于
cl(x|theta) = sign(SUM_{i=1}^d theta_i x_i + theta_0 )
所以一旦你得到了你的 theta，你就可以通过计算你的数据表示的简单加权和来使用它来做出预测，然后你检查这个数字的符号。
我这学期一直在学习机器学习算法，但我似乎无法理解一旦 Gradient decent 运行 参数 theta 是如何使用的并且它们已更新，特别是在逻辑回归中，简而言之我的问题是在更新参数 theta 之后如何引导决策边界。
在使用梯度下降估计参数 theta 后，您可以使用这些计算出的参数进行预测。
对于任何输入 x，您现在可以计算预测结果 y。
机器学习的最终目标是进行预测。
所以你进行了一大堆观察 x 和 y。其中 x 是您的输入，y 是您的输出。在逻辑回归的情况下，y 是两个值之一。例如，拿一堆标记为垃圾邮件或非垃圾邮件的电子邮件 (x)（y 为 1 表示垃圾邮件，0 表示无垃圾邮件）。或者拍摄一堆标记为健康或不健康的医学图像。 ...
将所有这些数据输入到您的机器学习算法中。您的算法（例如梯度下降）将计算 theta 系数。
现在您可以使用这些 theta 系数来预测新的 x 值。比如一封系统没见过的新邮件，利用theta系数，可以预测它是不是垃圾邮件。
至此绘制决策边界。当 x 有两个维度时，这可能是可行的。每个轴上可以有一个维度。在你的图表中得到的点就是你的 y 值。您可以为它们涂上不同的颜色或显示不同的形状，无论结果是一种方式还是另一种方式（即您的 y 是 0 或 1）。
实际上，这些图在讲座中很有用，可以让您大致了解您正在尝试做的事情或要完成的事情。实际上，每个输入 X 可能是一个包含许多值（远远超过 2）的向量。因此无法绘制决策边界。
通常，逻辑回归按以下方式参数化：
cl(x|theta) = 1 / (1 + exp(-SUM_{i=1}^d theta_i x_i + theta_0 )) ) > 0.5
相当于
cl(x|theta) = sign(SUM_{i=1}^d theta_i x_i + theta_0 )
所以一旦你得到了你的 theta，你就可以通过计算你的数据表示的简单加权和来使用它来做出预测，然后你检查这个数字的符号。