【人工智能】逻辑回归（二）

标签：逻辑 函数 人工智能 梯度 回归 参数 数据

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。

1. 读取数据

2. 画散点图

3. 定义logistic函数

4. 定义计算逻辑回归损失函数（cost）的函数

5. 定义批量的梯度下降函数

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

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

---

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

由上图得，权重向量梯度：[0.19325198, 5.10009588]，

偏置项的梯度：0.3327040236798686。

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

标签：逻辑,函数,人工智能,梯度,回归,参数,数据
From： https://blog.csdn.net/m0_67830223/article/details/140388236