2024年最新40道Python面试，Python逻辑回归，Python进阶面试资料无偿分享

收集整理了一份《2024年最新Python全套学习资料》免费送给大家，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。

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Python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

如果你需要这些资料，可以添加V无偿获取：hxbc188 （备注666）

正文

对于线性边界的情况，边界形式如下：

最佳参数：

构造预测函数为：

sigmoid的函数输出是介于（0,1）之间的，中间值是0.5，公式hθ（x）的含义就很好理解了，因为hθ（x）输出是介于（0,1）之间，也就表明了数据属于某一类别的概率。例如，hθ（x）<0.5则说明当前数据属于A类；hθ（x）>0.5则说明当前数据属于B类。所以可以将sigmoid函数看成样本数据的概率密度函数。函数h（x）的值有特殊的含义，它表示结果取1的概率，因此对于输入x分类结果为类别1和类别0的概率分别为：

使用概率论中极大似然估计的方法去求解损失函数：

首先得到概率函数为：

因为样本数据（m个）独立，所以它们的联合分布可以表示为各边际分布的乘积，取似然函数为：

取对数似然函数：

最大似然估计就是要求得使l（θ）取最大值时的θ，这里可以使用梯度上升法求解，求得的θ就是要求的最佳参数：

基于最大似然估计推导得到Cost函数和J函数如下：

θ更新过程可以写成：

正则化后的梯度下降算法θ的更新变为：

代码部分：

使用如下所示数据100条

数据加载

class Logistic_regression():

    #初始化

    def __init__(self):

        self.xmat = list();

        self.ymat = list();

    #数据加载处理

    def loadData(self,filename):

        file = open(filename);

        lines = file.readlines();

        #print(lineArry);

        for line in lines:

            lineArry = line.strip().split();#  split 用于移除字符串头尾指定的字符（默认为空格或换行符）或字符序列

            dataline = [1.0];

            for i in range(len(lineArry)):

                dataline.append(float(lineArry[i]));

            #print("dataline",dataline);

            label = dataline.pop();

            self.ymat.append(int(label));#删除最后一个  并返回

            self.xmat.append(dataline);

        self.xmat = np.mat(self.xmat); # mat()函数  转换为矩阵

        self.ymat = np.mat(self.ymat).transpose();

        #print("len",len(self.xmat));

        #print(self.xmat);

sigmoid函数

定义sigmoid函数

    def sigmod(self,X):

        return 1/(1-np.exp(-X));

梯度下降

# 梯度下降计算权重0

    def stocGradAscent0(self,maxCycles=1000,alpha=0.001):

        m,n = np.shape(self.xmat);

        weights = np.ones((n,1));

        for i in range(maxCycles):

            h = self.sigmod(self.xmat*weights);

            error = self.ymat-h;

            #print("error",np.shape(error))

            #print("xmat",np.shape(self.xmat.transpose()))

            weights+=alpha*self.xmat.transpose()*error; #ranspose()转置

        return weights;

画图

#画出最终分类图

    def plotBestfit(self,weights):

        xcord1 = [];


现在能在网上找到很多很多的学习资源，有免费的也有收费的，当我拿到1套比较全的学习资源之前，我并没着急去看第1节，我而是去审视这套资源是否值得学习，有时候也会去问一些学长的意见，如果可以之后，我会对这套学习资源做1个学习计划，我的学习计划主要包括规划图和学习进度表。



分享给大家这份我薅到的免费视频资料，质量还不错，大家可以跟着学习

![](https://img-blog.csdnimg.cn/img_convert/21b2604bd33c4b6713f686ddd3fe5aff.png)




**网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**

**如果你需要这些资料，可以添加V无偿获取：hxbc188 （备注666）**
![img](https://img-blog.csdnimg.cn/img_convert/fea0bf8229706c55b02d82e4f099b917.png)

**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**
再深入研究，那么很难做到真正的技术提升。**

**如果你需要这些资料，可以添加V无偿获取：hxbc188 （备注666）**
[外链图片转存中...(img-TPSuom32-1713819673805)]

**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**