Coursera吴恩达机器学习(三)——Exercise3-多分类逻辑回归、前馈神经网络

一、多分类逻辑回归

import matplotlib.pyplot as plt
import matplotlib
import numpy as np
import scipy.optimize as opt
from scipy.io import loadmat
from sklearn.metrics import classification_report 

1.载入数据

path='H:\Coursera-ML-AndrewNg-Notes\code\ex3-neural network\ex3data1.mat'
data=loadmat(path)#data是字典形式
X=data['X']
y=data['y']
#X.shape为(5000, 400)
#y.shape为(5000, 1)

按照原始X数据的每一行像素点画出来的图像是翻转的，所以需要将每一行的数据进行反转

X=np.array([row.reshape(20,20).T.flatten() for row in X])#翻转后展成一维数据
y=y.reshape(5000)

2.画图

（1）画1张图

plt.figure(figsize=(1,1))
plt.matshow(X[3000,:].reshape(20,20),cmap=matplotlib.cm.binary,fignum=0)
plt.xticks([])
plt.yticks([])
plt.show()

• plt.matshow:将矩阵可视化，其中fignum设置为0，更改figsize才能起到改变画布大小的作用
• plt.xticks([]):去掉x轴的值
• plt.yticks([]) 去掉y轴的值
• plt.axis(‘off’) 去掉坐标轴
  （2）随机画100张图

choice_num=np.random.choice(5000,100)
choice_image=X[choice_num,:]
fig,ax=plt.subplots(10,10,sharey=True, sharex=True,figsize=(8,8))#sharex和sharey表是共用xy轴的设置。
for i in range(10):
    for j in range(10):
        ax[i,j].matshow(choice_image[10*i+j].reshape(20,20),cmap=matplotlib.cm.binary)
        plt.xticks([])
        plt.yticks([])
plt.show()

• plt.subplots：sharex, sharey需要都设置为 True 或者 ‘all’ 时，所有子图共享 x 轴或者 y 轴，才能去掉每一个子图坐标轴的值

3.处理数据

（1）X中插入$x_0$=1

X=np.insert(X,0,np.ones(X.shape[0]),axis=