神经网络与深度学习 Class 10：分类问题

目录

10.1 逻辑回归

1.广义线性回归

2.逻辑回归

3.交叉熵损失函数

10.2 实例：一元逻辑回归

10.3 线性分类器

1.线性可分

2.线性不可分

3.逻辑运算

10.4 实例：多元逻辑回归

1.加载数据

2.处理数据

3.设置超参数

4.设置参数初始值 

5.训练模型

6.可视化

10.5 多分类问题

1.独热编码

2.softmax回归

3.多分类交叉熵损失函数

10.6 实例：多分类

1.导入库与数据

2.处理数据 

3.设置超参数及参数初始值

4.训练模型

5.训练结果

6.绘制分类图

---

10.1 逻辑回归

1.广义线性回归

2.逻辑回归

3.交叉熵损失函数

sigmoid函数曲线为非凸曲线，使用交叉熵损失函数解决

 交叉熵损失函数可以反映出概率之间的误差

10.2 实例：一元逻辑回归

 使用where函数设定阈值

import tensorflow as tf
import numpy as np
pred=np.array([0.6,0.2,0.8,0.49])
tf.where(pred<0.5,0,1)

10.3 线性分类器

1.线性可分

2.线性不可分

3.逻辑运算

10.4 实例：多元逻辑回归

1.加载数据

2.处理数据

·可视化样本

·属性中心化

·生成属性矩阵及标签列向量

3.设置超参数

4.设置参数初始值 

5.训练模型

6.可视化

·损失及准确曲线

·绘制决策边界

·绘制分类图

 

 

10.5 多分类问题

1.独热编码

        

2.softmax回归

3.多分类交叉熵损失函数

 

10.6 实例：多分类

·独热编码

1.导入库与数据

2.处理数据 

3.设置超参数及参数初始值

4.训练模型

5.训练结果

6.绘制分类图