Machine learning 机器学习中如何预测sigmoid函数的结果

我正在上Coursera机器学习课程，我对sigmoid函数有点困惑

我实现了sigmoid函数，如下所示：

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

写了一个函数来预测结果

p = sigmoid(X*theta) >= 0.5

问题是

"For a student with an Exam 1 score
of 45 and an Exam 2 score of 85, you should expect to see an admission
probability of 0.776" 

但我不确定如何将这两个x值插入到我创建的函数中

如果θ是0.218，那么45分和85分的考试分数如何给出0.776的概率？有人能解释一下吗

---

感谢

概率由sigmoid函数给出

 p = sigmoid(X*theta)
 # Since there are two inputs, the model will have 2 weights and a bias.
 p = sigmoid(0.45*w1+0.85*w2+b)
 # The actual output is given by
 y = 0.776
 # Loss function
 loss = (p-y)^2
 # Find the weights by minimizing the loss function using gradient descent.

---

概率由sigmoid函数给出

 p = sigmoid(X*theta)
 # Since there are two inputs, the model will have 2 weights and a bias.
 p = sigmoid(0.45*w1+0.85*w2+b)
 # The actual output is given by
 y = 0.776
 # Loss function
 loss = (p-y)^2
 # Find the weights by minimizing the loss function using gradient descent.

---

谢谢，但我不太确定。Sigmoid函数定义为只有一个参数，我不确定w1、w1和b来自何处。w1、w2和b是您在公式中定义为θ的值，X是[0.45,0.85]。sigmoid的输入只有一个数字。所以w1、w2和b是从我的梯度下降中得到的参数？是的，我运行上面的代码得到：sigmoid（-0.1806*0.45+0.9136*0.85+0.5473）谢谢！顺便提一下，还有一个问题。当我们第一次测试代价函数时，我看到赋值首先用零向量和非零向量来测试它。有什么区别？哪种方法正确？谢谢，但我不太确定。Sigmoid函数定义为只有一个参数，我不确定w1、w1和b来自何处。w1、w2和b是您在公式中定义为θ的值，X是[0.45,0.85]。sigmoid的输入只有一个数字。所以w1、w2和b是从我的梯度下降中得到的参数？是的，我运行上面的代码得到：sigmoid（-0.1806*0.45+0.9136*0.85+0.5473）谢谢！顺便提一下，还有一个问题。当我们第一次测试代价函数时，我看到赋值首先用零向量和非零向量来测试它。有什么区别？哪种方法是正确的？