Machine learning 输入为（X*θ）时写入sigmoid函数

在机器学习课程中，我无法想象下面的输入

在逻辑回归中，我们有以下等式：

我们可以在

sigmoid.m

中用八度音阶写出它，如下所示：

g = (1 ./ ( 1 + e.^(-z)));

现在，为了计算

costFUnction.m

，我们得到的概率为：

h = sigmoid(X*theta);

从上面的图片来看，它不应该是：

h = sigmoid(theta'*X);

我错过了什么。我是ML的新手，所以如果我在这里遗漏了什么，请原谅。

如果你提到，你可以看到

我们想从

h（x）

中得到的是：

要将其可视化：

X =  [ 1 x1 ; 1 x2 ; 1 x3;]
theta = [ t0 t1;]
X * theta
% will give  [ t0+(x1*t1) ; t0+(x2*t1) ; t0+(x3*t1) ; ] 

---

其中，上述矩阵的每一行表示单独的假设

最重要的是理解每个向量的含义。在大多数课程中，他们谈论

    h = theta'* x

但这里他们使用了柱向量，所以h是一个标量，用于一个训练示例。 矢量化符号告诉你

    h = X * theta

其中X是一个矩阵，所有训练示例，其中每个示例是一行，特征是列。所以m x n，有m个训练示例和n个特征。您希望h为每个训练示例提供一个输出，因此您需要一个m x 1矩阵。你知道θ将是一个nx1矩阵，因为它是每个特征的θ，你有一个模型。如果你使用我在顶部写下的第二个公式，你会得到一个更喜欢的矩阵h a m x 1。

大小（x）和大小（θ）是多少？