我要评论目录
一、读取ex2data1.txt中的数据，建立样本集，使用逻辑回归算法得到参数估计值。并在坐标图中画出分界图。
二、读取“简单分类数据.txt”中的数据，建立样本集，使用逻辑回归算法得到参数值，并在坐标图中画出分界线
三、打开“链式逻辑回归.ipynb”文档，读取“链式逻辑回归.txt”中的数据，建立样本集，使用神经网络式逻辑回归算法得到参数估计值。并在坐标图中画出分界图
四、打开“链式逻辑回归分类猫.ipynb”文档，用测试集获得正确率，然后用任意图片测试模型是否能正确判断是否有猫
2. 展示训练数据集中索引为 25 的图像，并打印出该图像对应的标签信息。
8. 绘制出 sigmoid 函数的曲线图，并验证 sigmoid 函数是否正确实现。
9. 根据训练得到的参数 w 和偏置项 b 对输入的数据 x 进行预测
一、读取ex2data1.txt中的数据，建立样本集，使用逻辑回归算法得到参数估计值。并在坐标图中画出分界图。
1. 读取数据
2. 画散点图
3. 定义logistic函数
用于将输入的z值映射到0~1之间
4. 定义计算逻辑回归损失函数（cost）的函数
【@符号表示矩阵的乘法运算。numpy库的mean函数用于计算数组的平均值】
5. 定义批量的梯度下降函数
此时[-25.16131855, 0.20623159, 0.2014149]为预测的theta值。
6. 找逻辑回归模型的决策边界
7. 画图
8. 模型准确率预测
二、读取“简单分类数据.txt”中的数据，建立样本集，使用逻辑回归算法得到参数值，并在坐标图中画出分界线
1. 导入数据
2. 画散点图
3. 定义logistic函数
4. 定义代价函数
5. 定义梯度下降函数
6. 画图
7. 预测准确率
三、打开“链式逻辑回归.ipynb”文档，读取“链式逻辑回归.txt”中的数据，建立样本集，使用神经网络式逻辑回归算法得到参数估计值。并在坐标图中画出分界图
1. 读取数据
2. 矩阵化算法求参数的梯度
3. 训练后得到最优参数 w 和 b
4. 画图
5. 计算准确率
四、打开“链式逻辑回归分类猫.ipynb”文档，用测试集获得正确率，然后用任意图片测试模型是否能正确判断是否有猫
1. 训练数据集和测试数据集的信息以及相应的类别信息
2. 展示训练数据集中索引为 25 的图像，并打印出该图像对应的标签信息。
3. 对图像进行扁平化和归一化处理
4. 打印数据集的关键信息
5. 初始化参数w和偏置项b
6. 求出梯度
7. 开始训练
8. 绘制出 sigmoid 函数的曲线图，并验证 sigmoid 函数是否正确实现。
9. 根据训练得到的参数 w 和偏置项 b 对输入的数据 x 进行预测
10. 预测结果：识别出了小猫
发表评论