机器学习算法逻辑回归Logistic Regression之c++实现（不调用外源库）_使用c+

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上C C++开发知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以戳这里获取

#include
#include
#include
#include<time.h>
using namespace std;
#define MAX 1000000
#define MIN -100000

double sigmoid(double z)
{
return 1.0/(1 + exp(-z));
}

/**
梯度上升算法，主要是确定负梯度方向，步长，采用迭代的思想迭代n至收敛，
当目标函数是凸规划问题，那么局部最小值就是全局最小值

在这里梯度下降和上升的区别，可以参考 http://blog.csdn.net/dongtingzhizi/article/details/15962797
**/
void gradAscent(Matrix dataMatIn, Matrix classLabels)
{
double alpha = 0.001;
int maxCycles = 500;
int m = dataMatIn.col;
int n = dataMatIn.row;
Matrix weights;
weights.initMatrix(&weights,n,1,1);

Matrix dataMuWeights;
dataMuWeights.initMatrix(&dataMuWeights, m, 1);

Matrix error;
error.initMatrix(&error, m, 1);

Matrix dataMatInT;
dataMatInT.initMatrix(&dataMatInT,n,m);
dataMatInT.transposematrix(dataMatIn, &dataMatInT);

Matrix dataMuError;
dataMuError.initMatrix(&dataMuError,n,1);

for (int i = 0; i < maxCycles; i++)
{
    dataMuWeights.multsmatrix(&dataMuWeights, dataMatIn, weights);
    for (int j = 0; j < m; j++)
    {
        dataMuWeights.mat[j][0] = sigmoid(dataMuWeights.mat[j][0]);
    }
    error.submatrix(&error, classLabels, dataMuWeights);

    dataMuError.multsmatrix(&dataMuError, dataMatInT, error);
    for (int j = 0; j < n; j++)
    {
        dataMuError.mat[j][0] = alpha * dataMuError.mat[j][0];
    }

    weights.addmatrix(&weights,weights, dataMuError);
}
weights.print(weights);
/**
验证算法的正确性
**/

Matrix test;
test.initMatrix(&test,dataMatIn.col, 1);
test.multsmatrix(&test, dataMatIn, weights);
for (int i = 0; i < m; i++)
{
    if (test.mat[i][0] > 0)
    {
        cout<<1<<endl;
    }
    else
        cout<<0<<endl;
}

}

void stocGradAscent(Matrix dataMatIn, Matrix classLabels)
{

}

/**
随机梯度下降与梯度下降法不同的是在负梯度方向的确定，梯度下降是根据所有的样本来确定负梯度方向，
而随机梯度下降每次只看一个样本点来确定负梯度方向，虽然不完全可信，但随着迭代次数增加，同样收敛

**/

//通过随机选取样本来更新回归系数，这种方法可以减少周期性的波动
//步长在不断的减少

void stocGradAscent1(Matrix dataMatIn, Matrix classLabels, int numIter = 150)
{

}

/**
逻辑回归，这里主要考虑其常用的两种求参数算法，一种是梯度下降，一种是随机梯度下降

*/

int main()
{
srand((unsigned)time(NULL));
dataToMatrix dtm;
cout<<“loadData”<<endl;
cout<<“----------------------”<<endl;
char file[20]=“logReg.txt”;
dtm.loadData(&dtm,file);

Matrix x;
x.loadMatrix(&x,dtm);

Matrix y;
y.initMatrix(&y,x.col,1);
y=y.getOneRow(x,x.row - 1);

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上C C++开发知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以戳这里获取

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以戳这里获取