3.1 Logistic回归原理，参数推导及Python实现

最新推荐文章于 2021-03-01 04:05:53 发布

程序大猩猩

最新推荐文章于 2021-03-01 04:05:53 发布

阅读量432

点赞数

分类专栏： cs229(吴恩达机器学习) 文章标签： Logistic回归 Python实现算法推导

本文链接：https://blog.csdn.net/weixin_43864473/article/details/86658752

版权

cs229(吴恩达机器学习) 专栏收录该内容

11 篇文章 3 订阅

订阅专栏

在这里插入图片描述

import matplotlib.pyplot as plt
import numpy as np
#假设
def logistic(x):
    return 1/(1+np.exp(-x))
#随机梯度下降
def SGD(X,Y,a=0.001):
    theta = np.mat([0, 0], dtype='float64')
    for time in range(3000):
        #用m个样本分别对theta进行更新
        for i in range(30):
            theta += a*( ( Y[i]-logistic(theta*X[i].T) ) * X[i] )
    return theta
#生成30个x
X=np.mat([ [1,x] for x in np.linspace(-5,5,30)])
Y=np.mat(np.append(np.zeros(10),np.ones(20))).T
theta=SGD(X,Y)
# 画出拟合图像
plt.scatter(np.asarray(X[:, 1]), np.asarray(Y))
plt.plot(X[:,1],logistic(theta*X.T).T)
plt.show()