吴恩达深度学习第一课第三周单隐层神经网络实现，相关文件、数据集下载以及bug修改心得

最近在学习吴恩达老师深度学习的课程，实现了单隐藏层神经网络的实现，现在将自己在编程过程中遇到的问题记录下。
先将需要用到文件的分享
链接：https://pan.baidu.com/s/148VvXV-SWW-PrFS7mVK_oA 密码：rkk7
导入需要的库

import numpy as np
#Python绘制图形的库
import matplotlib.pyplot as plt
#testCases提供了一些测试示例来评估函数的正确性
from testCases import *
# sklearn为数据挖掘和数据分析提供了简单而有效的工具。
import sklearn
import sklearn.datasets
import sklearn.linear_model
from planar_utils import   plot_decision_boundary , sigmoid , load_planar_dataset,load_extra_datasets
np.random.seed(1)

对于每一个库的作用，我都加以解释了。需要注意的是我们添加了一个np.random.seed(1)种子，添加这句话的目的以及使用方法，可以参考我上一篇博客，这里不再赘述。

2.导入数据集以及可视化数据集

#获取要处理的数据集
X , Y=load_planar_dataset()
print(X.shape,Y.shape)
#可视化数据集
plt.scatter(X[0,:],X[1,:],c=np.squeeze(Y),s=40,cmap=plt.cm.Spectral)
shape_X=X.shape
shape_Y=Y.shape
m=shape_X[1]

在这里要注意，吴恩达老师在下面这段代码中c=Y,这是不正确的，应该改成c=np.squeeze(Y)

plt.scatter(X[0,:],X[1,:],c=np.squeeze(Y),s=40,cmap=plt.cm.Spectral)

数据导入好之后，我们可以直接用sklearn内置的函数检查线性回归在数据集上的表现

clf = sklearn.linear_model.LogisticRegressionCV()
clf.fit(X.T, Y.T)
plot_decision_boundary(lambda x: clf.predict(x), X,Y.ravel())
plt.title("Logistic Regression")
plt.show()
# Print accuracy
LR_predictions = clf.predict(X.T)
print ('Accuracy of logistic regression: %d ' % float((np.dot(Y,LR_predictions) + np.dot(1-Y,1-LR_predictions))/float(Y.size)*100) +  '% ' + "(percentage of correctly labelled datapoints)")