超级会员免费看
本文介绍了如何使用Python实现逻辑回归模型，包括定义假设函数、代价函数和梯度下降算法，用于简单分类任务。通过数据可视化展示决策边界，并计算模型的准确率。进一步探讨了正则化在逻辑回归中的应用，以提高模型的泛化能力，避免过拟合。文章通过添加多项式特征和调整代价函数，实现了正则化的逻辑回归，并对比了使用Sklearn库的效果。
文章目录
- 简单分类模型 - 逻辑回归
-
- 1.1 准备数据
- 1.2 定义假设函数
- 1.3 定义代价函数
- 1.4 定义梯度下降算法
- 1.5 绘制决策边界
- 1.6 计算准确率
- 1.7 试试用Sklearn来解决
- 2.1 准备数据(试试第二个例子)
- 2.2 假设函数与前h相同
- 2.3 代价函数与前相同
- 2.4 梯度下降算法与前相同
- 2.5 欠拟合的了（模型过于简单，增加一些多项式特征）
- 2.6 定义正则化项的代价函数
- 2.7 定义正则化的梯度下降算法
- 实验1 计算基于正则化得到的准确率
- 2.8 试试sklearn
- 实验2 完成3.2 调用逻辑回归模型完成分类
- 实验3 完成3.3 调用正则化的逻辑回归模型完成分类
- 实验4 完成3.3 调用SKLEARN完成分类
- 附：系列文章
简单分类模型 - 逻辑回归
在这一次练习中，我们将要实现逻辑回归并且应用到一个分类任务。我们还将通过将正则化加入训练算法，来提高算法的鲁棒性，并用更复杂的情形来测试它。
1.1 准备数据
本实验的数据包含两个变量(评分1和评分2，可以看作是特征),某大学的管理者，想通过申请学生两次测试的评分，来决定他们是否被录取。因此，构建一个可以基于两次测试评分来评估录取可能性的分类模型。
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
#利用pandas显示数据
path
订阅专栏 解锁全文
扫一扫
1235
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
