机器学习（三）之Matlab实现的函数总结

最新推荐文章于 2023-03-29 09:11:46 发布

_北方的雪_

最新推荐文章于 2023-03-29 09:11:46 发布

阅读量5k

点赞数

分类专栏： ML&PR&DM 文章标签：机器学习

本文链接：https://blog.csdn.net/wingofeagle/article/details/8907670

版权

ML&PR&DM 专栏收录该内容

26 篇文章 1 订阅

订阅专栏

本文详细介绍了如何使用Matlab实现线性回归与逻辑回归，包括使用内置函数和梯度下降法进行线性回归，以及逻辑回归的实现方式。文章还总结了Matlab中的常用绘图函数，并提供了Matlab函数的使用指南。

摘要由CSDN通过智能技术生成

在学习了线性回归与逻辑回归后，对其进行Matlab实现并总结如下：

（一）运用Matlab内函数进行回归

%linear regression with matlab inner function
x=[1;2;3;4;5;6;7];
y=[2.1;5;5.8;8.2;10.5;11;15];
temp=ones(7,1);
X=[temp x];
b=regress(y,X)
z=b(1)+X*b(2);
plot(x,y,'or',x,z,'g');
xlabel('x');
ylabel('y');
title('Linear Regression with Matlab inner function');
grid on;

这是用Matlab内部的函数进行实现的，实现图如下：

b =
0.3143
1.9786

这里需要说明的是：这个例子实现的是一元一次的回归，当对多特征数据进行回归时，运用regress函数，同样可以实现线性回归。

另外，函数内部中的polyfit函数可实一元多项式的回归，而rstool可以实现多元二项式的回归，具体可参见Matlab help文档。

（二）运用梯度下降法进行Linear Regression

代码如下：

（1）

function [J,Gradient]=costfunction(theta)
%J :costfunction;
%Gradient
x=[1;2;3;4;5;6;7];
y=[2.1;5;5.8;8.2;10.5;11;15];
[m,n]=size(x);
h=theta(1)+theta(2)*x;
J=sum((h-y).^2)/(2*m);
Gradient(1)=sum(h-y)/m;
Gradient(2)=sum((h-y).*x)/m;
end

（2）

function [optTheta,functionVal,exitFlag]=Gradient_descent( )
  options = optimset('GradObj','on','MaxIter',100); 
  initialTheta = zeros(2,1);
  [optTheta,functionVal,exitFlag] = fminunc(@costfunction,initialTheta,options); 
end

效果如下：

ans =

0.3143
1.9786

与（1）相比，结果是一样的。

这里需要说明的是optimset函数与fminunc函数，应该认真看下help说明。（运用这两个函数，函数内部自动取值learning rate）

（三）Logistic Regression

由于逻辑回归的实现与线性回归的实现在运用梯度下降法实现时，处cost function不同外其他皆同，故代码省略。

如果Logistic Regression的实现过程中用Regularizaion，只需要对cost function进项稍加改动即可。

（四）小结

1）这两个实例都是对简单数据的线性回归。

对Linear Regression而言：当处理多特征的数据时可以采用（a）regress（或profit等）函数进行回归，（b）运用梯度下降法实现的过程中增加cost function的元数，另外再增加各个变量的梯度即可。

对Logistic Regression而言：其本质是二值分类问题{0,1}，这样就遇到一个问题。（a）当实际的训练数据集是 two classes时，不管是是多特征的训练数据还是特征比较少的数据，都可以参考Linear Regression的实现方法进行。（b）当实际的训练数据时mult-classes时，这时可以建立多个hypothesis function，当predict新的数据时，取使得hypothesis function最大的那个即可得到。

2）再次重申下：

a）当训练样本的特征长度不一时，在对其进行回归前应进行Feature Scaling或者Mean Normalization，以更快的收敛；

b）在进行Logistic Regression时为避免ovrfit，通常都会（1）减少数据中无关的特征（2）Regularization

（五）Matlab函数总结

常见的三维绘图函数：

linspace

meshgrid

mesh（可画出立体网状图）

surf（立体曲面图）

peaks（为了方便测试立体绘图， MATLAB提供了一个peaks函数，可产生一个凹凸有致的曲面，包含了三个局部极大点及三个局部极小点，其方程式为：

）、