错误：TypeError: can't multiply sequence by non-int of type 'numpy.float64'

错误：TypeError: can’t multiply sequence by non-int of type ‘numpy.float64’

错误代码：

该代码是逻辑回归（Logistic Regression）中的改进后的随机梯度上升算法

def stocGradAscent1(dataMatrix, classLabels, numIter=150):

    #dataMatrix=np.array(dataMatrix)
    
    m,n = np.shape(dataMatrix)                                                #返回dataMatrix的大小。m为行数,n为列数。

    weights = np.ones(n)                                                       #参数初始化

    for j in range(numIter):

        dataIndex = list(range(m))

        for i in range(m):

            alpha = 4/(1.0+j+i)+0.01                                            #降低alpha的大小，每次减小1/(j+i)。

            randIndex = int(random.uniform(0,len(dataIndex)))                #随机选取样本

            h = sigmoid(sum(dataMatrix[randIndex]*weights))                    #选择随机选取的一个样本，计算h


            error = classLabels[randIndex] - h                                 #计算误差

            weights = weights + alpha * error * dataMatrix[randIndex]       #更新回归系数

            del(dataIndex[randIndex])                                         #删除已经使用的样本

    return weights                                                      #返回

纠错后的代码：

把上面代码中第二行注释去掉就行，原因是在倒数第三行的乘法中出现了错误，传进来的dataMatrix是一个列表，要先转化成np的数组，才能与error相乘。

• 虽然是个低级错误，但是单看报错内容可能比较难发现，希望能帮到你。

def stocGradAscent1(dataMatrix, classLabels, numIter=150):
	
	#改了下面
    dataMatrix=np.array(dataMatrix)

    m,n = np.shape(dataMatrix)                                                #返回dataMatrix的大小。m为行数,n为列数。

    weights = np.ones(n)                                                       #参数初始化

    for j in range(numIter):

        dataIndex = list(range(m))

        for i in range(m):

            alpha = 4/(1.0+j+i)+0.01                                            #降低alpha的大小，每次减小1/(j+i)。

            randIndex = int(random.uniform(0,len(dataIndex)))                #随机选取样本

            h = sigmoid(sum(dataMatrix[randIndex]*weights))                    #选择随机选取的一个样本，计算h


            error = classLabels[randIndex] - h                                 #计算误差

            weights = weights + alpha * error * dataMatrix[randIndex]       #更新回归系数

            del(dataIndex[randIndex])                                         #删除已经使用的样本

    return weights                                                      #返回