Question

请考虑以下事项：

def sigmoid(inSig):
    return 1.0/(1.0+np.exp(-inSig))

def classifyVector(inX, weights):
    prob = sigmoid(sum(inX*weights))
    if prob > 0.5: return 1.0
    else: return 0.0

我的理解是sigmoid结果的范围是0到1.根据这篇文章（http://clear-lines.com/blog/post/Logistic-Regression.aspx）：

“正值将返回大于0.5的值，输入值越大，越接近1.可以将函数视为返回概率：对于非常高或低的x值，可以确定它属于两组中的一组，对于接近零的值，每组的概率为50％/ 50％。“

但是，如果它是Sigmoid（0），则sigmoid似乎只产生0.5（即零分类）。除非inX或权重为零（或零向量），否则classifyVector不会返回1？

例如，请考虑以下数据：

trainset = np.array([[1,1,1],[2,2,2],[3,3,3],[4,4,4]])
trainlbl = np.array([1,12,11,40])

这里，inX永远不会为零。如果计算出数学，则权重也不会为零。那么，sigmoid如何提供公平的分析？

Answer 1

但是，如果它是Sigmoid（0），则sigmoid似乎只产生0.5（即零分类）。除非inX或权重为零（或零向量），否则获胜的classifyVector总是返回1？

0.5是一个阈值，不是人们必须达到的。 classifyVector将返回1 iff sigmoid产生超过 0.5。还有很多剩余的值 - 介于0和0.5之间。你是正确的，获得正好0.5非常罕见，但这不是一个问题，因为每个小于0.5的值将导致分类＆＃34; 0＆＃34;。基本上（如果你处理数学）你将得到分类1 iff inSig为正（如果为负则为0）。由于通过sigmoid挤压使得正值大于0.5而负值小于0.5（而正如你所说的那样 - 零转换为0.5）。

Sigmoid总是返回1？

1 个答案: