logistic回归求分界线方程

最新推荐文章于 2025-05-19 23:12:03 发布

原创

最新推荐文章于 2025-05-19 23:12:03 发布 · 1.6k 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#机器学习 #logistic回归 #算法学习 #梯度上升 #梯度下降

本文介绍了作者在学习机器学习过程中，使用Logistic回归算法进行实践的经历。提供了简易的代码示例，适用于初学者理解和测试算法。文中提到，虽然未包含绘制分界线的代码，但可以通过外部网站生成分界线图像，并给出了测试数据：6个点分为两类，用1和0标记。

刚接触机器学习，读书之余编小程序测试效果。贴上供学习用的简易代码，仅供刚开始学习的新手做测试及理解算法用。菜鸟也要飞

没有写画分界线的代码，求得分界线方程后可用这个网站画出分界线图像： http://zh.numberempire.com/graphingcalculator.php

测试数据：坐标系中随便6个点的坐标。分成两类。标签分别设置成1，0。

#include <iostream>
#include <cmath>


using namespace std;

int main(){

	double d1[3] = { 1, 1, 3 };//点一（1，3）
	double d2[3] = { 1, 3, 1 };//点二（3，1）
	double d3[3] = { 1, 4, 8 };//点三（4，8）
	double d4[3] = { 1, 3, 5};//点四（3，5）
	double d5[3] = { 1, 7, 7 };//点五（7，7）
	double d6[3] = { 1, 5, 4 };//点六（5，4）
	double w[3] = { 1, 1, 1 };//回归系数
	double dclass[6] = { 0,0, 0, 1, 1, 1 };//指定的初始分类 点一、二、三类别为0，四、五、六类别为1
	double h[6];//当前分类
	double derror[6];//每步当前分类与指定分类的误差
	double a = 0.01;//步长
	double b0, b1, b2;//三个buffer，用来存储样本数据乘以该样本当前对应的误差 用来修正数据 
	for (int i = 0; i <1000; i++){//迭代1000次
		h[0] = 1 / (1 + exp(-(d1[0] * w[0] + d1[1] * w[1] + d1[2] * w[2])));//sigmoid函数
		h[1] = 1 / (1 + exp(-(d2[0] * w[0] + d2[1] * w[1] + d2[2] * w[2])));
		h[2]