python训练模型函数参数_吴恩达机器学习练习2——python代码详解

本文旨在帮助理解吴恩达机器学习课程中关于逻辑回归的练习。

1.逻辑回归

原题为构建一个逻辑回归模型来预测某个学生是否被大学录取。录取的评定标准是两次测试的得分。给定了一个训练样本集(ex2data1)，包含之申请的学生的两次测试评分和录取结果。

1.1绘制数据

1.2逻辑回归函数及代价函数实现逻辑回归函数

代价函数

梯度公式

上述公式在吴恩达教授的课程中都有很通俗易懂的直观解释，与线性回归的结构很类似。下面是实现这些函数的具体代码：

逻辑回归梯度下降公式的实现和线性回归的不同。之前的线性回归梯度下降是在函数内部手动更新了θ的值，在这里我们不自己写代码实现梯度下降，而会调用一个已有的库。输入对应参数和函数，功能就会直接告诉我们最优解。

在调用工具库之前先初始化X,θ

调用工具库scipy.optimize并计算一下最优解下的代价函数值：

1.3绘制决策边界线

1.4评价逻辑回归模型

逻辑回归模型预测的输出值(h(x))实际上代表的是一种可能性。举个例子，某个学生Score1为60分，Score2为70分，那么在给定X特征值在参数θ拟合下他实际被录取的概率(y = 1的概率)就是该模型的意义。这里可以简单预测下：被录取概率约为79%

现在写一个predict的函数用于计算模型预测的准确度。

逻辑回归模型函数

当hx大于等于0.5时，预测y = 1，hx小于0.5时，预测y = 0。

附：

编辑器：jupyter notebook

代码来源：黄海广 https://github.com/fengdu78/Coursera-ML-AndrewNg-Notes

作业原文档：

链接：https://pan.baidu.com/s/1XSt2nqI2L_4GO4GFEVkRMA 提取码：4396

《机器学习》课程链接：https://www.coursera.org/course/ml