機器學習基石(Machine Learning Foundations) 机器学习基石 作业四 Q13-20 MATLAB实现

        大家好，我是Mac Jiang,今天和大家分享Coursera-NTU-機器學習基石（Machine Learning Foundations）-作业四 Q13-20的MATLAB实现。以前的代码都是通过C++实现的，但是发现C++实现这些代码太麻烦，这次作业还要频繁更改参数值，所以选择用MATLAB实现了。与C++相比，MATLAB实现显然轻松很多，在数据导入方面也更加方便。我的代码虽然能够得到正确答案，但是其中可能有某些思想或者细节是错误的，如果各位博友发现，请及时留言纠正，谢谢！再次声明，博主提供实现代码的原因不是为了让各位通过测试，而是为学习有困难的同学提供一条解决思路，希望我的文章对您的学习有一些帮助！

本文出处：http://blog.csdn.net/a1015553840/article/details/51173020

其他问题解答请看汇总帖：http://blog.csdn.net/a1015553840/article/details/51085129

1.sign函数

function S = sign(x)  %计算sign
[m,n] = size(x);
for i = 1:m,
    for j = 1:n;

        if x(i,j) <= 0,
            S = 1;
        else
            S = -1;
        end
    end
end
end

2.计算正则化线性回归函数LGwithRegularization

function Wreg = LGwithRegularization(X,y,lambda)
[m,n] = size(X);
Wreg = inv(X' * X + lambda * eye(n)) * X' * y;%正则化的线性回归求解
end

3.错误计算函数Error01 (注意，这里用的是0/1错误)

function E = Error01(X,y,Wreg)
[m,n] = size(X);
E = 1 - sum(sign(X * Wreg) == y) / m;%计算错误率
end

4.主进程

clc
trainingData = load('trainingData.txt');
Xtrain = trainingData(:, [1, 2]); ytrain = trainingData(:, 3);
testData = load('testData.txt');
Xtest = testData(:,[1,2]);ytest = testData(:,3);
[m,n] = size(Xtrain);
Xtrain = [ones(m,1), Xtrain];
[a,b] = size(Xtest);
Xtest = [ones(a,1), Xtest];

%13-15
%lambda = 10^-3;
%Wreg = LGwithRegularization(Xtrain,ytrain,lambda);
%Ein = Error01(Xtrain,ytrain,Wreg)
%Eout = Error01(Xtest,ytest,Wreg)

%16-17
%lambda = 10^-3;
%Wreg = LGwithRegularization(Xtrain(1:120,:),ytrain(1:120,:),lambda);
%Etrain = Error01(Xtrain(1:120,:),ytrain(1:120,:),Wreg)
%Eval = Error01(Xtrain(121:200,:),ytrain(121:200,:),Wreg)
%Eout = Error01(Xtest,ytest,Wreg)

%18
%lambda = 10^0;
%Wreg = LGwithRegularization(Xtrain,ytrain,lambda);
%Ein = Error01(Xtrain,ytrain,Wreg)
%Eout = Error01(Xtest,ytest,Wreg)

%19
%lambda = 10^-6
%Ecv = 0;
%v = 5;
%per = m / v;
%for i = 1:v,
%    Xtemp = Xtrain;
%    ytemp = ytrain;
%    Xtemp(1+(i-1)*per:i*per,:) = [];%出去用于求交叉验证的样本
%    ytemp(1+(i-1)*per:i*per,:) = [];
%    Wreg = LGwithRegularization(Xtemp,ytemp,lambda);
%    Error01(Xtrain(1+(i-1)*per:i*per,:),ytrain(1+(i-1)*per:i*per,:),Wreg)%利用交叉验证的样本求Ecv
%    Ecv = Ecv + Error01(Xtrain(1+(i-1)*per:i*per,:),ytrain(1+(i-1)*per:i*per,:),Wreg);
%end
%Ecv = Ecv / v

%20
%lambda = 10^-8;
%Wreg = LGwithRegularization(Xtrain,ytrain,lambda);
%Ein = Error01(Xtrain,ytrain,Wreg)
%Eout = Error01(Xtest,ytest,Wreg)

13.第十三题

（1）题意：从两个网站下载训练样本和测试样本，利用正则化的线性回归，参数lambda取10，得到Ein 和Eout

（2）答案：Ein = 0.050 Eout = 0.045

14-15:第14-15题

（1）题意： 14.分别取lamda值为.....计算Ein和Eout。选取最小的Ein对应的正确答案，如果两个lambda对应的答案一样，选择大的lambda

                     15.选取最小Eout对应的正确答案

（2）答案：14.log = -8, Ein = 0.015,Eout = 0.02

                    15.log = -7,Ein = 0.03,Eout = 0.015

16.第十六题

（1）题意：利用前120个样本作为训练样本，后80个样本作为测试样本，分别计算不同lambda对应的Etrain,Eval，Eout，选择最小的Etrain对应的答案

（2）答案：log = -8,Etrain = 0, Eval = 0.05, Eout = 0.025

17.第十七题

（1）题意：和16题的做法一样，选择最小Eval对应的正确答案

（2）答案：log = 0, Etrain = 0.0333,Eval = 0.0375,Eout = 0.0280

18.第十八题

（1）题意：利用17题得到的最优lambda,利用所有样本作为训练样本，计算Ein,Eout

（2）答案：Ein = 0.035 Eout=0.02

19-20：第19-20题

（1）题意:19.把样本分为5份，利用交叉验证的方法计算Ecv,计算得到最小的Ecv

                  20.利用19得到的最小Ecv对应的lambda值，计算Ein,Eout

（2）答案：19. log=-8， Eval = 0.03

                    20.Ein = 0.015，Eout = 0.02

本文出处：http://blog.csdn.net/a1015553840/article/details/51173020

其他问题解答请看汇总帖：http://blog.csdn.net/a1015553840/article/details/51085129