吴恩达机器学习编程作业：logistic 回归（python）

最新推荐文章于 2022-07-26 14:41:23 发布

辣个学习笔记

最新推荐文章于 2022-07-26 14:41:23 发布

阅读量1k

点赞数 4

分类专栏：机器学习笔记文章标签：机器学习 python

本文链接：https://blog.csdn.net/weixin_36733255/article/details/88596505

版权

这篇博客记录了作者初次编写机器学习代码的经历，主要聚焦在Logistic回归上。作者参考了其他资源并进行了代码实现，通过scipy.optimize.minimize方法和自定义迭代更新theta的方式对比效果。在20万次迭代后得到了较好的决策边界。在过程中遇到了numpy的dot运算理解问题以及如何绘制cost函数变化曲线的困扰，其中还提到了可能存在的零除警告问题。

摘要由CSDN通过智能技术生成

吴恩达机器学习编程作业：logistic 回归（python）

参考代码：

https://blog.csdn.net/zy1337602899/article/details/84777396
初次写机器学习的代码，大部分参照了链接文章中的代码，稍有改动

源代码

// An highlighted block
import matplotlib.pyplot as plt
import numpy as np
import scipy.optimize as opt
from sklearn.metrics import classification_report
import pandas as pd
from sklearn import linear_model

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

#绘制原始数据
def draw_data(data):
    accept = data[data['admit'] == 1]
    refuse = data[data['admit'] == 0]
    plt.scatter(accept['exam1'], accept['exam2'], c='g', label='admit')
    plt.scatter(refuse['exam1'], refuse['exam2'], c='r', label='refuse')
    plt.title('admission')
    plt.xlabel('exam1')
    plt.ylabel('exam2')
    return plt
#sigmoid函数
def sigmoid(z):
    return 1/(