深度学习实战手册（R语言版）

第2章　R深度学习

本章的内容为学习神经网络奠定基础，其次是深度学习的基础和趋势。本章将涵盖以下主题：

• 始于逻辑回归；
• 介绍数据集；
• 使用H2O执行逻辑回归；
• 使用TensorFlow执行逻辑回归；
• 可视化TensorFlow图；
• 从多层感知器开始；
• 使用H2O建立神经网络；
• 使用H2O中的网格搜索调整超参数；
• 使用MXNet建立神经网络；
• 使用TensorFlow建立神经网络。

2.1　始于逻辑回归

在深入研究神经网络和深度学习模型之前，我们来看一看逻辑回归，它可以被看作是单层神经网络，甚至逻辑回归中通常使用的Sigmoid函数也被用作神经网络中的激活函数。

2.1.1　做好准备

逻辑回归是用于二分类/序数（离散的顺序）类别分类的监督机器学习方法。

2.1.2　怎么做

逻辑回归作为复杂神经网络模型的一个构建块，使用Sigmoid作为激活函数。逻辑函数（或Sigmoid）可表示如下：

前面的Sigmoid函数形成一个连续的曲线，其值为[0, 1]，如图2-1所示。

图2-1

逻辑回归模型的表达式可以写成如下：

此处，W是和X= []特征相关的权重，且b是模型的截距，也称为模型偏差。整个目标是针对给定的损失函数（如交叉熵）来优化W。为了获得，带Sigmoid激活函数的逻辑回归模型的另一种表示如图2-2所示。 ...