在第3周的课程中的机器学习课程中，Andrew-Ng讨论Decision boundary并在1:00声明 -
hθ（x）≥0.5→y = 1
（假设如果值大于或等于0.5，则假设y = 1）
hθ（x）<0.5→y = 0
（假设如果值小于0.5，则假设y = 0）
其中hθ（x）是θtX的S形滤波。
怀疑 -
如果是这种情况，则Pr（y = 1）将始终大于或等于0.5，因为假设仅当hθ（x）≥0.5并且认为该hθ（x）时y = 1被预测是在4:45被讨论here时y = 1的概率。 Pr（y = 0）的情况也是如此，假设当hθ（x）<0.5时预测它，因此它的值总是小于0.5。
但情况并非如此，y = 0和y = 1的概率应该在0到1之间。
答案 0 :(得分：1)
我担心对被建模的内容和/或因变量的概率存在误解。
首先，我们谈论的是条件概率P（y | x），而不是边缘P（y），其次是：
h(x) = P(y=1|x) = 1-P(y=0|x)
没有声称“当h（x）<0.5”时，P（y = 0 | x）的概率被建模，这是错误的。该模型同时提供两个量，它预测P（y = 1 | x）= h（x）并同时（由于概率的基本属性）P（y = 0 | x）= 1-h （X）。这也是为什么我们有0.5门槛，因为当你预测课程时你试图回答的是什么是最可能的课程，并注意到：
P(y=1|x) > P(y=0|x) <-> h(x) > 1-h(x) <-> 2h(x) > 1 <-> h(x) > 0.5
这并不意味着一个或另一个类别的概率“总是大于0.5”或总是更小 - 只有一个概率，由h（x）建模，而0.5来自上面的等式以得到最终标签，而不是它的概率。
答案 1 :(得分：0)
我认为当你说类p的概率（y = 1）时会出现疑问，我们只计算给定数据点x的每个类的条件概率，同样h（x）= 0.5意味着数据点的机会相等在一个类中，并以图形方式表示分割两个类的直线。