exercise2

补充知识：

options函数：创建或者编辑一个最优化参数选项。

options = optimset('param1',value1,'param2',value2,...) %设置所有参数及其值，未设置的为默认值

options = optimset('GradObj', 'on', 'MaxIter', 400);

在使用options的函数中，参数是由用户自行定义的，最大递归次数为400，这就是本文所反映的含义。

plotDecisionBoundary函数

先将X的两个属性绘制出来

axis([30, 100, 30, 100])

用于设置坐标轴的位置。这个例子的意思就是坐标轴中X坐标轴从30开始，100结束。Y坐标轴从30开始，100结束。

linspace(-1, 1.5, 50);

用于生成等间距矩阵

从-1开始，50结束，中间间隔为1.5。

看到最后也没看明白，只很神奇的将连个本分分开了，效果而且还不错。

以下是基础部分讲解。

我直接看了ex2这个总的函数。

首先需要载入数据，然后将X的属性在图中表示出来。

之后计算损失和gradient。

在计算之前可以先利用sigmoid函数将部分原始数据进行处理。

之后就是一些简单操作，没什么好说的。

最后有一个小的函数就是predict。先计算出y的值，然后值大于0.5则变为1，小于0.5则变为0.

拓展部分有所不同，就是在计算cost和gradient的时候，是需要正则化的。所谓正则化就是对参数增加另外的均衡因子。最终目的肯定是为了建模效果好，直接目的就是去掉没有用的属性。通过正则化，没有用的属性对应的参数的调整变量会非常非常大。这样参数本身就可以忽略不计了。

源代码地址：

http://download.csdn.net/detail/yinyanting1/9906137