机器学习bug踩雷合集：

①.2022/07/16 正则化逻辑回归的gradient descent函数。

不改加上sum的，用是矩阵的乘法了！！！乘完后已经累加完毕了。！！

 修改后：

 precision大大提升！！！

②机器学习笔记：决策边界的绘制

③numpy的argmax返回的是一维数组（n,） !

④七月二十九：已经使用向量化了，此处就无须再用np.sum()了去求和了->矩阵乘法自动相加

⑤传入函数的向量(size=(n,1))之后，其shape自动变成一维的(n,)---->记得在函数中reshape一下就好(在十一点也有所体现)

⑥在使用scipy.optimize.minimize的时候，其中jac参数是gradient，其返回值一定注意是一个一维的向量--->可以用flatten()进行降维

⑦在逐一增大train set的时候,theta始终的第一维大小为X.shape[1]

⑧numpy中的ndarray对象的切片a[1:2]是闭区间->区分range！！！！

⑨当你发现,数据很奇怪的一致的时候，很可能变量名用错了。。。

⑩在画学习曲线的时候，error_train中传入X_train的时候，一定是传入训练时那一部分用到的！

(11)在feature_map的时候，一个细节处理不当！！导致NaN \INF

 仔细想想看，这样做合不合理->明显会爆掉！！！重复添加一部分！！！

(12)画出拟合的曲线！！！！,x坐标的位置传参细点心，应该传入x，而xx是用来得到y_的。其次注意下np.linspace的用法 (13)希望用bool索引一个ndarray对象的时候，出问题:(原理见下)

 这边i 是一个常量，但是idx一定要是一个ndarray对象，才能进行相应的bool索引。

(14)[报错]list indices must be integers or slices, not tuple

错误代码:

data=[[0,1],[2,3],[4,5]]
print(data[:,1])

解决：

使用numpy中的array，将列表转化为标准的数组：

import numpy as np
data=[[0,1],[2,3],[4,5]]
data=np.array(data)
print(data[:,1])