吴恩达机器学习课后习题ex2

最新推荐文章于 2024-08-18 23:42:17 发布

东流-beyond the label

最新推荐文章于 2024-08-18 23:42:17 发布

阅读量1k

点赞数 2

分类专栏：计算机视觉文章标签：吴恩达机器学习课后习题 Logistic-regression

本文链接：https://blog.csdn.net/qq_43402639/article/details/95098262

版权

这篇博客主要探讨了吴恩达机器学习课程的Ex2，涉及Logistic回归。内容包括使用Scipy的fmin_tnc/minimize优化算法进行参数求解，通过sklearn.metrics.classification_report评估模型性能，以及在pandas中应用isin()函数及其逆操作。同时参考了相关学习资源进行深入学习。

摘要由CSDN通过智能技术生成

ex2:Logistic_regression

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt 
import scipy.optimize as opt #优化算法
from sklearn.metrics import classification_report
from sklearn import linear_model

Scipy优化算法：scipy.optimize.fmin_tnc()/minimize()

参见：https://www.cnblogs.com/tongtong123/p/10634716.html

sklearn.metrics.classification_report

参见：https://blog.csdn.net/kancy110/article/details/74937469

# 获取原始数据
def raw_data(path):
    data=pd.read_csv(path,names=['exam1','exam2','admit'])
    return data

#绘制初始数据
#需要将两种判断结果区别颜色绘制
def draw_data(data):
    accept = data[data.admit==1]
    refuse = data[data.admit == 0]
    #accept=data[data['admit'].isin([1])]
    #refuse=data[data['admit'].isin([0])]
    plt.scatter(accept.exam1,accept.exam2,c=</