有关网站开发的创意,个人主页网站申请,电子商务网站建设试题及答案,网站建设的策划文案首先感谢CSDN上发布吴恩达的机器学习逻辑回归算法任务的各位大佬. 通过大佬的讲解和代码才勉强学会. 这篇文章也就是简单记录一下过程和代码. CSDN上写有关这类文章的大佬有很多,大家都可以多看一看学习学习. 机器学习方面主要还是过程和方法. 这篇文章只完成了线性可分方面的任… 首先感谢CSDN上发布吴恩达的机器学习逻辑回归算法任务的各位大佬. 通过大佬的讲解和代码才勉强学会. 这篇文章也就是简单记录一下过程和代码. CSDN上写有关这类文章的大佬有很多,大家都可以多看一看学习学习. 机器学习方面主要还是过程和方法. 这篇文章只完成了线性可分方面的任务,由于时间关系,线性不可分的任务就没有去涉及. 若要深入学习请看这位大佬的文章:https://blog.csdn.net/Cowry5/article/details/80247569 目录 1.数据初始化
2.数据绘图可视化
3.设置关键函数
4.利用fmin_tnc函数进行拟合
5.计算模型正确率
6.计算绘制图形的决策边界 1.数据初始化
#%%
#导入必要的库和函数
import scipy.optimize as opt
import time
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from torch import sigmoid
#获取数据并查阅
pathC:\\Users\\Zeng Zhong Yan\\Desktop\\py.vs\\.vscode\\数学建模\\逻辑回归模型材料包\\逻辑回归数据1.txt
global data1
datapd.read_csv(path,names[exam_1,exam_2,admitted])
data.head() 2.数据绘图可视化
#%%
#利用.isin()函数将录取和未录取的样本分离
positive data[data[admitted].isin([1])]
negative data[data[admitted].isin([0])]
#然后进行可视化绘图
#fig用来绘制图像,ax绘制坐标系
fig,axplt.subplots(figsize(10,4))
ax.scatter(positive[exam_1], positive[exam_2], s30, cb, markero, labelAdmitted)
ax.scatter(negative[exam_1], negative[exam_2], s30, cr, markerx, labelNot Admitted)
ax.legend()
ax.set_xlabel(Exam_1 Score)
ax.set_ylabel(Exam_2 Score)
ax.figure.savefig(C:\\Users\\Zeng Zhong Yan\\Desktop\\py.vs\\.vscode\\数学建模\\逻辑回归模型材料包\\逻辑回归散点分布.png, dpi500, bbox_inchestight)
#%% 3.设置关键函数
#创建逻辑回归类#创建激活函数
def sigmoid(x):y1 / (1 np.exp(-x))return y#创建一个函数检查一下其是否能够正常工作x1 np.arange(-10, 10, 0.1)plt.plot(x1, sigmoid(x1), cr)plt.show()
def cost(theta, X, y):first (-y) * np.log(sigmoid(X theta))second (1 - y)*np.log(1 - sigmoid(X theta))return np.mean(first - second)
if Ones not in data.columns:data.insert(0, Ones, 1)#创建一个训练训练集
X data.iloc[:, :-1].values
y data.iloc[:, -1].values
theta np.zeros(X.shape[1])
print(X.shape, theta.shape, y.shape)# ((100, 3), (3,), (100,))
def gradient(theta, X, y):return (X.T (sigmoid(X theta) - y))/len(X)
4.利用fmin_tnc函数进行拟合
#%%1.利用fmin_tnc函数进行拟合
2.或者利用minimize函数进行拟合,minimize中的method有很多的算法进行计算,设置methodxxx即可result opt.fmin_tnc(funccost, x0theta, fprimegradient, args(X, y))
result
# (array([-25.16131867, 0.20623159, 0.20147149]), 36, 0)
5.计算模型正确率
#%%我们将theta训练完毕之后我们就能够利用模型来测试学生是否能被录取了
以下就是我们构造函数的过程,设置h(x)
如果h(x)0.5-能够被录取
如果h(x)0.5-不能够被录取
根据以上书写预测函数def predict(theta, X):probability sigmoid(Xtheta)for x in probability:if x0.5:return 1else:return 0def predict(theta, X):probability sigmoid(Xtheta)return [1 if x 0.5 else 0 for x in probability] # return a list
#%%预测之后我们可以查看以下模型预测的正确率如何final_theta result[0]
predictions predict(final_theta, X)
correct [1 if ab else 0 for (a, b) in zip(predictions, y)]
accuracy sum(correct) / len(X)
accuracy#0.89
6.计算绘制图形的决策边界
面我们将设置模型的决策边界
x1 np.arange(130, step0.1)
x2 -(final_theta[0] x1*final_theta[1]) / final_theta[2]
#%
fig, ax plt.subplots(figsize(8,4))
ax.scatter(positive[exam_1], positive[exam_2], cb, labelAdmitted)
ax.scatter(negative[exam_1], negative[exam_2], s50, cr, markerx, labelNot Admitted)
ax.plot(x1, x2)
ax.set_xlim(0, 130)
ax.set_ylim(0, 130)
ax.set_xlabel(x1)
ax.set_ylabel(x2)
ax.set_title(Decision Boundary)
ax.figure.savefig(C:\\Users\\Zeng Zhong Yan\\Desktop\\py.vs\\.vscode\\数学建模\\逻辑回归模型材料包\\Decision Boundary.png, dpi500, bbox_inchestight)
#%%
