吴恩达机器学习—逻辑回归

1. 在求costfunction中的参数J的时候，先求J后求cost。若后求J的话，已经迭代生成了最佳的θ求出来的当然是0.

2. 做题的时候，先画出来样本分布，然后判断是否能够线性分类。不能的话，需要使用featureMapping技巧，将少量特征映射到多样特征中。

   
   
   

   效果如上

3. 做正则化的时候记得去掉第一列特征值！！！

   
   
   

   正则化后的代价函数
   
   
   

   正则化后的梯度，注意θ是从第二行开始的

当lambda = 0的时候，即没有正则化

当lambda = 1时

当lambda = 10时

当lambda = 100时

从上面四幅图我们能感受到正则化对分类的影响，lambda = 0 的时候过拟合，而当lambda为100的时候，由于对θ的惩罚过大，导致欠拟合。

4. 在判断0或者1的时候，使用逻辑表达式极其方便，比如

x = eye(5);
y = 0;
x == y;