达叔机器学习笔记1_逻辑回归建立一般流程

碎碎念：达叔说 逻辑回归相当于小型的神经网络 就是没有隐含层嘛

先简单介绍一下需要做的事情  共分为7步，接下来将达叔作业里的所有程序 粘贴出来

1.,导入数据集，查看数据格式

操作：train_set_x_orig, train_set_y, test_set_x_orig, test_set_y, classes = load_dataset()

           train_set_x_orig.shape  

一般会得到四个值（n,num_px,num_px,3） n 是训练集的个数，如 100张猫咪的训练照片， num_px 是图片的长宽？比如 64,64  代表一张64×64的图片 3 代表 RGB三个值

2.reshape

操作：train_set_x_flatten = train_set_x_orig.reshape(train_set_x_orig.shape[0], -1).T

X_flatten=X.shape(X.shape[0],-1).T  此操作可以将（a,b,c,d）的矩阵转化为（b*c*d,a）的二维矩阵

将（n,num_px,num_px,3)维度的数据reshape成（num_px×num_px×3，n）样子的数据，如（12288，n）12288行，n列。每一列是一张图片,每张图片有12288个特征。n代表 共有n张图片。这样所有训练集的维度就是一样的了

同时不要忘记对测试集也进行相同的操作

3.预处理(归一化)

操作:train_set_x = train_set_x_flatten/255.

一般来说 预处理包含center 去中心化和standardize标准化两步，但是因为这里每个12288个值，其实每一值代表图片上64×64个点中的RGB中的一个值，所以每个值得范围是（0,255）。所以每个值除以255就ok了

4.初始化参数

操作：w = np.zeros((dim, 1))

           b = 0

一般来说有多少个输入特征，行数 这里是12288 一般就有多少个w

5.代价函数最小化（利用梯度下降法）

参考公式

操作： m = X.shape[1]

            A = sigmoid(np.dot(w.T, X) + b) # compute activation    因为w是一个与X的行数一样&#x