Logistic回归分类----随机梯度上升法

本文接着上一篇《Logistic回归分类----梯度上升法》，升级为随机梯度上升法。同理，《机器学习实战》一书改编而来，测试数据依然保存在网盘上，https://pan.baidu.com/s/1qY9jFsg。相比梯度上升算法，随机梯度上升算法的优势在于大大减少了循环次数，提高分类的效率。

以下为改编的Matlab的程序：

clc;
clear;
%加载测试数据文件，前两列为坐标值，后两列为类标号
fileID = fopen('D:\matlabFile\Logistic\Logistic.txt');
DS=textscan(fileID,'%f %f %f');
fclose(fileID);
%将数据转为矩阵形式
DataMat=cat(2,DS{1},DS{2});
%在dataMat第一列之前再增加都为1的列
[Row,Column]=size(DataMat);
DataMat=cat(2,ones(Row,1),DataMat);
LabelMat=DS{3};
%重新获得行列数
[Row,Column]=size(DataMat);
%%%===利用梯度上升法寻找最佳参数
%设定迭代次数
numIter=150;
%初始化系数矩阵为1
Weight=ones(Column,1);
%循环中止条件
flag=1;
while flag

以下为仿真结果：