保健品网站建设案例,购物网站的详细设计,小说网站论文摘要,北京住房与城乡建设厅网站目录 Logistic回归公式推导#xff1a; Sigmoid函数#xff1a; Logistic回归如何实现分类#xff1a; 优化的方法#xff1a; 代码#xff1a; 1.创建一个随机数据集#xff0c;分类直线为y2x#xff1a; 为什么用np.hstack()增加一列1#xff1f; 为什么返回…目录 Logistic回归公式推导 Sigmoid函数 Logistic回归如何实现分类 优化的方法 代码 1.创建一个随机数据集分类直线为y2x 为什么用np.hstack()增加一列1 为什么返回值设成三个 为什么预先设置分类直线? 因为全随机的点数太难以确定  2.梯度上升算法实现 为什么使用train_ynp.array(boolean_int(y)).reshape(100,1) X[y0,0],X[y0,1]是什么东西 疑问 Logistic回归公式推导 (系列四) 线性分类5-逻辑回归Logistic Regression_哔哩哔哩_bilibili 回归 存在一系列数据点使用一条直线对这些点进行拟合拟合的过程即为回归。 线性回归: 线性回归方程如下我们输入数据点特征取合适的w和b使得预测值y^最接近y。但是我们不能通过方程预测非线性的函数比如说 线性模型的衍生 通过这种方式我们可以拟合非线性函数:   当g(x)取得, 怎么把回归和分类结合起来 回归方程得到的y的范围是负无穷到正无穷如何实现分类。以二分类为例类别分别为0和1我们需要使用函数将在负无穷到正无穷的数映射到0或1上。我们需要使用Sigmoid函数。 Sigmoid函数 如图可以发现Sigmoid函数将输入z映射到01区间我们可以设置阈值大于阈值为类别1小于阈值为类别0. import numpy as np import matplotlib.pyplot as pltdef sigmoid(x):return 1/(1np.exp(-x)) # np.linspace(start,end,num) 100个数数在-1010等距分布 xnp.linspace(-10,10,100) ysigmoid(x) plt.plot(x,y) plt.title(sigmoid) plt.xlabel(x) plt.ylabel(ysigmoid(x)) #添加网格 plt.grid(True) plt.show()Logistic回归如何实现分类 输入数据点的特征对每个特征乘以回归系数,然后相加求和得到z,将z作为Sigmoid函数的输入Sigmoid函数可以将输入映射在0-1区间内我们将大于0.5部分设置为1类小于0.5部分设置为0类实现二分类。为了实现更好的分类结果我们需要对进行优化。 也可以把W和X看成向量写成如下形式 优化的方法 梯度上升方法a表示学习率表示梯度。 损失函数预测y和标签y的差 代码 1.创建一个随机数据集分类直线为y2x 为什么用np.hstack()增加一列1 根据 在设计权重时w1,w2,b都需要通过梯度上升优化希望可以统一进行梯度计算但是b不与x相乘想到, , 所以在train_x训练集添加一列1作为x0. 为什么返回值设成三个 train_X (100x3)包括方便计算的x0,X(100x2)可以用来绘制散点图train_y表示标签。 ​ def createtraindataset():np.random.seed(0)n_samples100Xnp.random.randn(n_samples,2)#featur22*feature1时 y为true否则y为falsey(X[:,1]2*X[:,0].astype(int))print(y,y)new_np.ones((100,1))train_Xnp.hstack((new_,X))train_yyprint(y,train_y)return train_X,train_y,X​ 其散点图如图所示 : 其打印出来的y是布尔值结果如下 为什么预先设置分类直线? 因为全随机的点数太难以确定  n_samples100Xnp.random.randn(n_samples,2)ynp.random.randint(2,size100) 散点图根本没办法进行划分。 2.梯度上升算法实现 为什么使用train_ynp.array(boolean_int(y)).reshape(100,1) def boolean_int(y):return [1 if cell else 0 for cell in y] 如上boolean_int 把布尔y转化为int型y,并reshape到1001避免出现维度不匹配问题。 y.shape为100-train_y.shape(100,1) X[y0,0],X[y0,1]是什么东西 y是布尔值numpy可以使用布尔值进行索引 numpy 布尔索引的用法-CSDN博客 def test():y[1,0,1,1]np.random.seed(0)n_samples5xnp.random.randn(n_samples,2)ynp.random.randint(2,size5)print(x,x)print(y,y)print(X[y0,0],x[y0,0],y0时对应y数组索引为i,x得到第i行,第0列值) test() def grad(train_X,train_y):# 100*3m,n len(train_X[:,0]),len(train_X[0])#3x1 weightnp.ones((n,1))#迭代系数epoch500for i in range(epoch):# mxn nx1 -m*1y_sigmoid(np.dot(train_X,weight))# m*1loss train_y -y_a 0.01# 3*1 weight weight - np.dot(a*train_X.transpose(),loss)return weightdef plot():train_X,y,Xcreatetraindataset()train_ynp.array(boolean_int(y)).reshape(100,1)weightsgrad(train_X,train_y)# weightsweights.getA()#100 2*100xnp.linspace(-2.5,2.5,5)y_(-weights[0]-weights[1]*x)/weights[2]plt.plot(x,y_) plt.scatter(X[y0,0],X[y0,1],cr,markerx,labelClass 0)plt.scatter(X[y1,0],X[y1,1],cb,markero,labelClass 1)plt.xlabel(Feature 1)plt.ylabel(Feature 2)plt.legend()plt.title(Classification Dataset)plt.show() 全部代码 import numpy as np import matplotlib.pyplot as plt from sklearn.datasets import make_blobs def sigmoid(x):return 1.0/(1np.exp(-x)) # # np.linspace(start,end,num) 100个数数在-1010等距分布 # xnp.linspace(-10,10,100) # ysigmoid(x) # plt.plot(x,y) # plt.title(sigmoid) # plt.xlabel(x) # plt.ylabel(ysigmoid(x)) # #添加网格 # plt.grid(True) # plt.show() def boolean_int(y):return [1 if cell else 0 for cell in y] def createtraindataset():np.random.seed(0)n_samples100Xnp.random.randn(n_samples,2)#featur22*feature1时 y为1否则y为0y(X[:,1]2*X[:,0].astype(int))print(y,y)new_np.ones((100,1))train_Xnp.hstack((new_,X))train_yyprint(y,train_y)return train_X,train_y,Xdef grad(train_X,train_y):# 100*3m,n len(train_X[:,0]),len(train_X[0])#3x1 weightnp.ones((n,1))#迭代系数epoch500for i in range(epoch):# mxn nx1 -m*1y_sigmoid(np.dot(train_X,weight))# m*1loss train_y -y_a 0.01# 3*1 weight weight - np.dot(a*train_X.transpose(),loss)return weightdef plot():train_X,y,Xcreatetraindataset()train_ynp.array(boolean_int(y)).reshape(100,1)weightsgrad(train_X,train_y)# weightsweights.getA()#100 2*100xnp.linspace(-2.5,2.5,5)y_(-weights[0]-weights[1]*x)/weights[2]plt.plot(x,y_) plt.scatter(X[y0,0],X[y0,1],cr,markerx,labelClass 0)plt.scatter(X[y1,0],X[y1,1],cb,markero,labelClass 1)plt.xlabel(Feature 1)plt.ylabel(Feature 2)plt.legend()plt.title(Classification Dataset)plt.show() plot() # xnp.arange(-2,2,0.1) # print(len(x)) 疑问 1.为什么在Logistic回归实现二分类里使用sigmoid作为激活函数 Logistic 回归对数几率回归直观理解 - 知乎 (zhihu.com) 假设正类概率为y,负类概率为1-y 对第i个样本若为正则,反之 因此只要对进行建模比较数值就能对每个样本的类别进行判断。 在二维平面内对散点进行分类可以用直线划分直线上的点满足 为什么直线上点满足 w^T x b 的几何意义_ywtxb的法向量几何意义-CSDN博客 二维平面上公式axbyc0 点坐标为x,y) 二分类散点图上点坐标为x1,x2)表示不同特征 w和x是矩阵 wxbw1x1w2x2b。所以直线上点满足w1x1w2x2b0 机器学习中的超平面wxb0?_平面方程wxb0-CSDN博客 具体建模如下 2.为什么要用梯度上升算法(待续) 3.xnp.linspace(-2.5,2.5,5) y_(-weights[0]-weights[1]*x)/weights[2]表示什么 分别为权重为weights[0]weights[1]weights[2]。(x1,x2)表示特征点。xnp.linspace(-2.5,2.5,5)表示获得x1,y_是获得x2。