使用梯度下降算法设计基于Logistic Regression的二分类器。

原创于 2017-05-16 17:26:12 发布 · 870 阅读

CC 4.0 BY-SA版权

本文介绍了一种有监督学习的方法，并通过具体的步骤展示了如何使用给定的数据集进行分类任务。使用q1x.dat作为特征数据，q1y.dat作为标签数据，通过绘制不同类型的点来直观展示分类效果。通过logistic_grad_ascent算法求得参数θ，进一步绘制出决策边界，使得两类数据点分布在决策边界的两侧。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

有监督学习
原理:
这里写图片描述
流程图：

画数据点集图时以q1x.dat数据的第一列数据（设a）和第二列数据（设b）分别了横纵坐标，结合q1y中的数据当q1y(i)==0时点为“红色+”否则为“*”，这样起到了区分两类点的作用。
Theta由已给算法求得，根据hθ(x)=θ0+θ1x1+θ2x2移位求x2（即线的纵坐标）其中x1为a的范围设为c，hθ(x)为0，然后用Logistic画出一条线，尽量使两类点分布在这条线两边。

[主要数据结构]
load q1x.dat;
load q1y.dat;
a = q1x(:,1);
b = q1x(:,2);
[n,m]=size(a);
for i = 1:50
plot(a(i),b(i),’r+’)
for i=51:99
hold on
plot(a(i),b(i),’*’)
end
end
[theta, ll] = logistic_grad_ascent(q1x,q1y);
c=0.5708:0.0001:7.7054;
x2=(0-theta(1)-theta(2)*c)/theta(3);
hold on
plot(c,x2)
只是一部分缺结果图