吴恩达机器学习ex2课后习题（python）

logistics模型

建立一个logistic回归模型来预测学生是否被大学录取。假设你是一所大学的系主任，你想根据每个申请者在两次考试中的成绩来决定他们的入学机会。建立一个分类模型来评估申请人根据这两次考试的分数，录取的可能性。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
data1 = pd.read_csv('ex2data1.txt', header=None, names=['Exam1', 'Exam2', 'a'])
a = data1.iloc[:,-1]
data1 = (data1 - data1.mean())/data1.std()
data1.insert(2,'admitted',a)
positive = data1[data1['admitted'].isin([1])]
negative = data1[data1['admitted'].isin([0])]
fig, ax = plt.subplots(figsize=(12, 8))
ax.scatter(positive['Exam1'], positive['Exam2'], s=50, c='b', marker='o', label='Admitted')
ax.scatter(negative['Exam1'], negative['Exam2'], s=50, c='r', marker='x', label='Not Admitted')
ax.legend()
ax.set_xlabel('Exam 1 Score')
ax.set_ylabel('Exam 2 Score')
plt.show()

读取数据并将数据归一化后分为是否录取两类（不归一化的话用有可能因数据太大导致迭代发散）


由sigmoid函数的cost函数的定义编写相关代码，并初始化X,Y,theta，学习系数Alpha和迭代次数num

def sigmoid(z):
    return 1 / (1 + np.exp(-z))


def compute_cost(theta, x, y):
    A = sigmoid(x @ theta)
    inner1 = -y * np.log(A)
    inner2 = (1 - y) * np.log(1 - A)
    return np.sum(inner1 - inner2) / len(x)


data1.insert(0, 'Ones', 1)
dat_array = np.array(data1)[:, 1:3]
x1 = np.array(data1)[:, :-2]
y1 = np.array(data1)[:, -