Coursera机器学习笔记第2周第五章 Octave/Matlab教程（二）

最新推荐文章于 2022-07-16 16:17:03 发布

schdut

最新推荐文章于 2022-07-16 16:17:03 发布

阅读量918

点赞数

分类专栏：默认机器学习 Matlab/Octave Coursera机器学习笔记文章标签：机器学习 Coursera机器学习

本文链接：https://blog.csdn.net/shengchaohua163/article/details/78311697

版权

默认同时被 3 个专栏收录

91 篇文章 8 订阅

订阅专栏

机器学习

35 篇文章 0 订阅

订阅专栏

Coursera机器学习笔记

18 篇文章 8 订阅

订阅专栏

第五章 Octave教程（二）

5.4 绘图数据

参考视频 : 5 - 4 - Plotting Data (10 min).mkv

Octave可以绘制图表来可视化数据。例1

PS1('>> ');
t=[0:0.01:0.98];
y1=sin(2*pi*4*t);
plot(t,y1); // 绘制正弦函数
y2=cos(2*pi*4*t);
plot(t,y2); // 绘制余弦图，在此之前消除原来的正弦图
hold on; // 将图像绘制在旧的上
plot(t,y1); 
plot(t,y1,'r'); // 绘制正弦图,颜色为红色
xlabel('time'); // 标识横坐标
ylabel('value'); // 标识纵坐标
legend('sin','cos'); // 标识曲线
title('myplot'); // 显示图的名字
print -dpng 'myplot.png' // 保存图像，png格式
help plot; // 查看plot帮助
close; // 关闭图像

figure(1); // 新的图像
plot(t,y1);
figure(2); // 又一个新的图像
plot(t,y2);
close;
close;

figure(1);
subplot(1,2,1); // 将图像分成1*2的格子，使用第1个格子
plot(t,y1); // y1显示在左边
subplot(1,2,2); // 使用第2个格子
plot(t,y2); // y2显示在右边
axis([0.5 1 -1 1]); // 此时作用在右图上，修改了右图的横纵坐标

clf; // 清除一幅图像

例2

A=magic(5);
imagesc(A);
colorbar; // 添加颜色条 颜色条表示不同深浅的颜色所对应的值
colormap gray; // 变成灰度图像
// 上数三个命令可以用一行命令来代替:imagesc(A),colorbar,colormap gray（命令依次执行）

imagesc(magic(15)),colorbar,colormap gray // 生成15*15的灰度图像

5.5 控制语句：for,while,if语句

参考视频 : 5 - 5 - Control Statements_ for, while, if statements (13 min).mkv

用Octave程序写控制语句，如：for、while、if等，并且如何定义和使用方程。
1.基础

PS1('>> ');
v=zeros(10,1);
v
// for 1
for i=1:10,
   v(i)=2^i;
end;
v

// for 2
indices=1:10;
indices
for i=indices,
   disp(i);
end;

// while 1
i=1;
while i <= 5,
   v(i)=100;
   i=i+1;
end;
v

// while 2 and break
i=1;
while true,
   v(i) = 999;
   i = i+1;
   if i ==6,
      break;
   end;
end;
v

// if-else
v(1)
v(1) = 2;
if v(1) == 1,
   disp('The value is one');
elseif v(1) == 2,
   disp('The value is two');
else
   disp('The value is not one or two');
end;

2.函数

// 函数定义例1-返回一个值
function y = squareThisNumber(x)

y = x^2;

end

y = squareThisNumber(5); // 函数调用

// 函数定义例2-返回两个值
function y1,y2 = squareAndCubeThisNumber(x)

y1 = x^2;
y2 = x^3;

end

[a,b] = squareAndCubeThisNumber(5);

复杂一点

function J = computeCost(X, y, theta)
% Compute cost for linear regression
% X is the "design matrix" containing our training example.
% Y is the class labels

m = size(X,1); % number of training examples
predictions = X*theta; % predictions of hypothesis on all m examples
sqrErrors = (predictions-y).^2; % square errors

J = 1/(2*m) * sum(sqeErrors);

end

5.6 向量化

参考视频 : 5 - 6 - Vectorization (14 min).mkv

本节介绍有关向量化的内容。无论你是用Octave还是别的语言（Python、Java或C++），这些语言中都有各种线性代数库。库文件内置，容易获取。当你实现机器学习算法时，你应该好好利用这些线性代数库，调用他们，这样会很有效。

1.举个例子，这是常见的线性回归假设函数：

h (θ) = \sum j = 0 n θ j x j

$h(\theta) = \sum_{j=0}^{n} \theta_j x_j$
如果你想要计算

hθ(x) h θ ( x ) $h_{\theta}(x)$ ，注意右边是求和，那么你可以从

j=0 j = 0 $j=0$ 计算到

j=n j = n $j=n$ ，并求和。但是换一种方式想，把

hθ(x) h θ ( x ) $h_{\theta}(x)$ 看作

θTx θ T x $\theta^Tx$ ，那么就可以写成两个向量的内积。

θ = ⎡ ⎣ ⎢ θ 0 θ 1 θ 2 ⎤ ⎦ ⎥ x = ⎡ ⎣ ⎢ x 0 x 1 x 2 ⎤ ⎦ ⎥

$\theta = \left[ \begin{matrix} \theta_0 \\ \theta_1 \\ \theta_2 \end{matrix} \right] x = \left[ \begin{matrix} x_0 \\ x_1 \\ x_2 \end{matrix} \right]$

2.Matlab代码举例：

这是未向量化的代码实现方式。

// Unvectorized implementation
prediction = 0.0;
for j = 1:n+1, // Matlab中下标从1开始
    prediction = prediction + theta(j) * x(j);
end;

这是向量化的代码实现。

// Vectorized implementation
prediction = theta' * x; // 向量相乘

3.C++代码举例

// Unvectorized implementation
double prediction = 0.0;
for (int j = 0; j <= n; j++)
{
    prediction += theta[j] * x[j];
}

// Vectorized implementation
double prediction = theta.transpose() * x;

将两个向量相乘，如果使用一个库来做内积，你可以得到一段更简单、更有效的代码。

4.更复杂的例子

θ 0 : = θ 0 - α 1 m \sum i = 1 m (h θ (x (i)) - y (i)) x (i) 0 θ 0 : = θ 0 - α 1 m \sum i = 1 m (h θ (x (i)) - y (i)) x (i) 1 θ 0 : = θ 0 - α 1 m \sum i = 1 m (h θ (x (i)) - y (i)) x (i) 2 (n = 2)

$\theta_0 := \theta_0-\alpha \frac {1}{m}\sum_{i=1}^{m} (h_{\theta}(x^{(i)})-y^{(i)})x_0^{(i)} \\ \theta_0 := \theta_0-\alpha \frac {1}{m}\sum_{i=1}^{m} (h_{\theta}(x^{(i)})-y^{(i)})x_1^{(i)} \\ \theta_0 := \theta_0-\alpha \frac {1}{m}\sum_{i=1}^{m} (h_{\theta}(x^{(i)})-y^{(i)})x_2^{(i)} \\ (n=2)$

我们用这条规则对j=0, 1, 2, … ,n更新对象 $\theta_j$ 。假设我们有两个特征量（n=2），我们需要对 $\theta_0,\theta_1,\theta_2$ 进行更新，这些都应该是同步更新。简单来说，我们可以用一个for循环，让j=0，j=1，j=2来更新 $\theta_j$ 。

看一下向量化的方式：将 $\theta$ 看做一个向量，然后用 $\theta-\alpha*\delta$ 来更新 $\theta$ ，其中 $\alpha$ 是学习率， $\delta = \frac {1}{m}\sum_{i=1}^{m} (h_{\theta}(x^{(i)})-y^{(i)})x^{(i)}$ 。

x (i) = ⎡ ⎣ ⎢ ⎢ ⎢ x (i) 0 x (i) 1 x (i) 2 ⎤ ⎦ ⎥ ⎥ ⎥ — > δ = ⎡ ⎣ ⎢ δ 0 δ 1 δ 2 ⎤ ⎦ ⎥

$x^{(i)} = \left[ \begin{matrix} x_0^{(i)} \\ x_1^{(i)} \\ x_2^{(i)} \end{matrix} \right] —> \delta = \left[ \begin{matrix} \delta_0 \\ \delta_1 \\ \delta_2 \end{matrix} \right]$

So the vectorized implementation is: