自定义博客皮肤VIP专享

*博客头图：

点击选择上传的图片

格式为PNG、JPG，宽度*高度大于1920*100像素，不超过2MB，主视觉建议放在右侧，请参照线上博客头图

请上传大于1920*100像素的图片！

博客底图：

点击选择上传的图片

图片格式为PNG、JPG，不超过1MB，可上下左右平铺至整个背景

栏目图：

点击选择上传的图片

图片格式为PNG、JPG，图片宽度*高度为300*38像素，不超过0.5MB

主标题颜色：

RGB颜色，例如：#AFAFAF

Hover：

RGB颜色，例如：#AFAFAF

副标题颜色：

RGB颜色，例如：#AFAFAF

预览取消提交

自定义博客皮肤

-+

上一步保存

weixin_51278016的博客

原创 3.3分类问题——逻辑回归算法（Logistic regression）

分类问题可以理解成是一种离散化的回归问题，一般分成两类，例如邮件是否属于垃圾邮件。当然也有多分类问题，那是二分类问题的进阶。逻辑回归算法：预测值一直在0和1之间，即注意：逻辑回归算法其实是一种分类算法，不要被名字给搞蒙了。

2023-11-05 21:02:50 95 1

原创吴恩达《机器学习》笔记+Python实现所有作业！

使计算机能够在没有明确设置的情况下自主学习一个例子是让下棋程序与它自己进行上万次对决，并且记录哪些布局赢的概率大，最终积累经验，使得程序成为一个下棋高手。从任务T中学习经验E，并进行一个性能打分P，因为经验E的积累，使得在任务T中的打分P越来越高。接着上一个例子，任务T就是下棋，经验E就是积累上万次下棋中各种容易赢的布局，性能打分P就是和新对手下棋时赢的概率。

2023-10-24 21:46:28 1234 1

空空如也

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

Freedom__Freedom CSDN认证博客专家 CSDN认证企业博客

码龄4年

IP 属地：广东省

IP属地以运营商信息为准，境内显示到省（区、市），境外显示到国家（地区）

2: 原创

154万+: 周排名

186万+: 总排名

1334: 访问

: 等级

33: 积分

5: 粉丝

6: 获赞

2: 评论

48: 收藏

私信

关注

热门文章

最新评论

3.3分类问题——逻辑回归算法（Logistic regression）
Enchanting1: 可以继续分享笔记吗
吴恩达《机器学习》笔记+Python实现所有作业！
自由，坚定: # 画出拟合平面 from mpl_toolkits.mplot3d import Axes3D fig = plt.figure() ax = Axes3D(fig) X= np.arange(mins[0], maxs[0]+1, 1) Y = np.arange(mins[1], maxs[1]+1, 1) X, Y = np.meshgrid(X, Y) Z = transform_theta[0,0] + transform_theta[0,1] * X + transform_theta[0,2] * Y # 绘制3D图形 # fig = plt.figure() ax = fig.add_subplot(111, projection='3d') ax.view_init(elev=20, azim=125) # 绘制拟合平面 ax.plot_surface(X, Y, Z, alpha=0.5, color='r') # alpha控制透明度 # 绘制原始数据点 ax.scatter(data_[:, 0], data_[:, 1], data_[:, 2]) # 设置标签和标题 ax.set_xlabel('size') ax.set_ylabel('bedroom') ax.set_zlabel('price') ax.set_title('Fitted Plane and Data Points') # 显示图形 plt.show() 修改一下这个就可以显示拟合图了
吴恩达《机器学习》笔记+Python实现所有作业！
zhendelaozhao: 36行好像是有问题，求平均应该按列求平均，面积求平均，房间求平均，而不是整个数组求平均，不知道对不对。
3.3分类问题——逻辑回归算法（Logistic regression）
CSDN-Ada助手: 非常棒的博客！你对逻辑回归算法的解释非常清晰，让我对分类问题有了更深的理解。鼓励你继续写作，分享更多关于机器学习的知识！除了逻辑回归算法，还有一些与分类问题相关的知识和技能可以进一步探索。例如，你可以了解其他分类算法，如支持向量机（Support Vector Machine）和决策树（Decision Tree）。此外，特征工程也是一个重要的领域，它涉及到如何选择和转换特征，以提高模型的性能。另外，模型评估和选择也是很重要的一环，你可以了解一些评估指标，如准确率、召回率和F1分数等。希望这些扩展知识和技能能够对你的学习和实践有所帮助。再次感谢你的分享，期待看到更多精彩的博文！如何写出更高质量的博客，请看该博主的分享：https://blog.csdn.net/lmy_520/article/details/128686434?utm_source=csdn_ai_ada_blog_reply2

最新文章

提示

确定要删除当前文章？

取消删除