1、假设函数的性质
假设在分类问题中,当hθ(x)≥0.5时,预测的标签y′=1;当hθ(x)<0.5时,y′=0
根据逻辑函数g(z)=h(θTx)的性质:
当g(z)≥0.5时,z≥0,⇒θTx≥0
当g(z)<0.5时,z<0,⇒θTx<0
由此:
θTx≥0时,y=1
当θTx<0时,y=0
2、决策边界
(1)线性决策边界:
如下图所示,假设函数hθ(x)=g(θ0+θ1x+θ2x),即θTx=θ0+θ1x+θ2x
由第一部分已知:
θTx≥0时,y=1
θTx<0时,y=0
即θ0+θ1x+θ2x≥0时,y=1,
θ0+θ1x+θ2x<0时,y=0。
令θ0=−3,θ1=1,θ2=1
则最终得到的是:
−3+x1+x2≥0时,y=1,
−3+x1+x2<0时,y=0。
其中−3+x1+x2=0就称之线性决策边界。
注意:决策函数是假设函数的性质,而与数据无关,训练集不是用来定义参数θ的,而是用来拟合参数θ的,一旦参数确定了,决策边界就确定了。
(2)非线性决策边界
当特征中含有高阶多项式特征时,例如x=[x1,x2,x12,x22],在给定参数θ的情况下,所形成的决策边界就是非线性的,如下图所示: