在第3周的Coursera的机器学习课程中，Andrew-ng讨论了关于决策界限的问题，并在1:00指出 -
hθ（x）≥0.5→y = 1
（假设的值大于或等于0.5）
hθ（x）＆lt; 0.5→y = 0
（假设的值小于0.5，假设将预测y = 0）
其中hθ（x）是θtx的sigmoid烟雾。
怀疑 -
如果是这种情况，则pr（y = 1）始终大于或等于0.5，因为仅当y = 1才能预测hθ（x）≥0.5，并且此hθ（x）被认为是在这里4:45在这里散布的Y = 1的概率。PR（y = 0）也是如此，当时可以预测Hθ（x）＆lt; 0.5，因此值始终小于0.5。
。但事实并非如此，y = 0的概率和y = 1的概率应在0到1。
恐怕对正在建模的内容和/或因变量的概率是什么。
。首先，我们正在谈论有条件概率P（y | x），而不是边缘P（y），第二：
h(x) = P(y=1|x) = 1-P(y=0|x)
没有声称"当h（y = 0 | x）的概率是当h（x）＆lt; 0.5"建模的概率，这是错误的。该模型同时提供两个数量，它可以预测p（y = 1 | x）= h（x）和同时（由于概率的基本属性）p（y = 0 | x）= 1-h（X）。这也是为什么我们拥有0.5个阈值的原因，因为预测课时是最可能的类是什么是最可能的类，并注意到：
P(y=1|x) > P(y=0|x) <-> h(x) > 1-h(x) <-> 2h(x) > 1 <-> h(x) > 0.5
并不意味着一个类别或另一个类的概率"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来自上述方程式以获取最终标签，不是其概率。
我认为当您说P类P（y = 1）的概率时，我们只计算给定数据点x的每个类概率，也计算出H（x）=0.5是指数据点在类中的同等机会，并以图形方式表示两类的直线分区。