西瓜书-对率回归-梯度下降法

最新推荐文章于 2024-10-23 20:23:10 发布

世界第一雕

最新推荐文章于 2024-10-23 20:23:10 发布

阅读量814

点赞数

CC 4.0 BY-SA版权

分类专栏： python 机器学习文章标签：西瓜书机器学习周志华

本文链接：https://blog.youkuaiyun.com/qq_37062414/article/details/88391573

本文介绍了使用西瓜书中的数据集进行率回归的梯度下降法实现。首先展示了数据集的构造，然后通过sklearn库进行数据预处理，并添加偏置项。接着，定义了sigmoid函数、代价函数和梯度上升算法来训练模型。在训练过程中记录并绘制了成本函数随迭代次数的变化。最后，实现了预测函数并展示了预测结果的分类报告。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1 数据集：

在我的博客里有.txt格式的

你也可以自己构造，代码如下：

density=np.array([0.697,0.774,0.634,0.608,0.556,0.430,0.481,0.437,0.666,0.243,0.245,0.343,0.639,0.657,0.360,0.593,0.719]).reshape(-1,1)
sugar_rate=np.array([0.460,0.376,0.264,0.318,0.215,0.237,0.149,0.211,0.091,0.267,0.057,0.099,0.161,0.198,0.370,0.042,0.103]).reshape(-1,1)
xtrain=np.hstack((density,sugar_rate))
xtrain=np.hstack((np.ones([density.shape[0],1]),xtrain))
ytrain=np.array([1,1,1,1,1,1,1,1,0,0,0,0,0,0,0,0,0]).reshape(-1,1)

2 算法实现代码如下：

import matplotlib.pyplot as plt
import numpy as np
from sklearn.metrics import classification_report
from sklearn import preprocessing
from sklearn.preprocessing import PolynomialFeatures
# 数据是否需要标准化
scale = False

# 载入数据
data = np.genfromtxt(r"F:\CDA数据分析\data\西瓜书\14917341.txt", delimiter="\t")

# 数据处理，添加偏置项
x_data = data[:,:3]
y_