吴恩达机器学习第二次编程作业答案+解析

最新推荐文章于 2023-02-15 09:33:00 发布

Clauria

最新推荐文章于 2023-02-15 09:33:00 发布

阅读量1.7k

点赞数 2

分类专栏：机器学习

本文链接：https://blog.csdn.net/Clauria/article/details/101306176

版权

机器学习专栏收录该内容

3 篇文章 0 订阅

订阅专栏

第二次作业答案与解析

文章目录

第二次作业答案与解析

1 Logistic Regression

1.1 Visualizing the data (plotData.m)

% Find Indices of Positive and Negative Examples
pos = find(y == 1);
neg = find(y == 0);
% Plot Examples
plot(X(pos, 1), X(pos, 2), 'k+','LineWidth', 2, 'MarkerSize', 7); 
plot(X(neg, 1), X(neg, 2), 'ko', 'MarkerFaceColor', 'y',  'MarkerSize', 7);

运行结果：
**图1**

1.2 Implementation

1.2.1 sigmoid function (sigmoid.m)

公式如下：
$g(z)=\frac{1}{1+e^{-z}}$
$h_θ(x) = \frac{1}{1+e^{-θ^Tx}}$
答案：

g = 1./(1+exp(-z));

1.2.2 Cost function and gradient (costFunction.m)

J = -1/m * (y'*log(sigmoid(X*theta))+(1-y)'*log(1-sigmoid(X*theta)));
grad = 1/m * X' * (sigmoid(X*theta)-y);

对我来说主要问题还是想矩阵相乘转置的问题，弄清楚了剩下的只要代进去就可以了。
运行结果;
**图2**

1.2.3 Learning parameters using fminunc

这个已经给出了代码
运行结果：
**图3**

1.2.4 Evaluating logistic regression (predict.m)

p = round(sigmoid(X*theta));

运行结果：
**图4**

2 Regularized logistic regression

2.1 Visualizing the data(plotData.m)

可视化:
**图5**

2.2 Feature mapping (mapFeature.m)

目的是为了提取更多特征，代码已经给出，不必修改。

2.3 Cost function and gradient (costFunctionReg.m)

公式：
**6**
**8**
需要注意 $θ$ 的下标。

J = -1/m * (y'*log(sigmoid(X*theta))+(1-y)'*log(1-sigmoid(X*theta))) + lambda/(2*m)*sum(theta(2:end).^2);
grad(1,:) = 1/m * (X(:, 1)' * (sigmoid(X*theta) - y));
grad(2:size(theta), :) = 1/m * (X(:, 2:size(theta))' * (sigmoid(X*theta) - y)) + lambda/m*theta(2:size(theta), :);

结果：
**9**

2.3.1 Learning parameters using fminunc

代码已给出

% Set Options
options = optimset('GradObj', 'on', 'MaxIter', 400);
% Optimize
[theta, J, exit_flag] = fminunc(@(t)(costFunctionReg(t, X, y, lambda)), initial_theta, options);