Coursera-机器学习（吴恩达）第四周-编程作业

最新推荐文章于 2021-10-11 20:56:09 发布

原创

最新推荐文章于 2021-10-11 20:56:09 发布 · 5.2k 阅读

20 ·

CC 4.0 BY-SA版权

这篇博客探讨了Coursera上的机器学习课程第四周的内容，主要聚焦于多类别分类，特别是Vectorizing Logistic Regression和One-vs-all策略。文章解释了如何将问题转化为神经网络模型，其中输入层包含400个神经元，输出层有10个神经元，用于预测0到9的数字。同时，提到了fmincg函数的使用，并链接到第三周编程作业的详细说明。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1、Multi-class Classification

如果将这个题转换为神经网络，相当于这个模型只有两层：输入层和输出层，输入层由400个神经元（像素）组成，输出层由10个神经元组成，输出层的神经元编号为1到10，分别表示1到9和0（10表示0），每个神经元输出结果是预测输入图像是该神经元编号的概率，选取概率最大的神经元编号作为预测的数字。

1.3 Vectorizing Logistic Regression

function [J, grad] = lrCostFunction(theta, X, y, lambda)

% Initialize some useful values
m = length(y); % number of training examples

% You need to return the following variables correctly 
J = 0;
grad = zeros(size(theta));

J = (-y' * log(sigmoid(X * theta)) - (1 - y)' * log(1 - sigmoid(X * theta))) / m ...
		+ lambda / 2 / m * sum(theta(2 : end) .^ 2);

temp = theta;
temp(1) = 0;
grad = (X' * (sigmoid(X * theta) - y) + lambda * temp) / m;


grad = grad(:);

end