吴恩达机器学习正则化Logistic回归算法的MATLAB实现

最新推荐文章于 2025-03-19 07:32:52 发布

非常满意

最新推荐文章于 2025-03-19 07:32:52 发布

阅读量2.3k

点赞数 7

分类专栏：机器学习文章标签：机器学习 logistic 正则化

本文链接：https://blog.youkuaiyun.com/qq_41618978/article/details/89576013

版权

本文详细介绍了如何在MATLAB中实现吴恩达机器学习课程中的正则化Logistic回归算法。通过对比未正则化和正则化的logistic算法，展示了梯度下降法在计算代价函数和梯度中的应用，并提供了关键代码段。文章还探讨了正则化在代价函数和梯度计算中的不同之处，并附带了准确率验证及迭代次数与代价函数关系的分析。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

前言：最近二刷了吴恩达的机器学习视频，通过对视频中logistic算法知识点的整理，对该算法的应用有了更深的认识。同时发现logistic算法的应用和线性回归有几分相似，因此重新做了下练习加深自己的理解。在文章最后，附上自己用梯度下降算法实现的logistic算法。

这里列出线性回归和logistic回归算法的重要公式，更直观的认识到二者之间的异同。

未正则化的 logistic算法

plotData.m

这个函数的作用是将所有样本中结果为0和1的样本区分出来。I = find(X)函数会返回X中结果为真的索引号。

function plotData(X, y)
%PLOTDATA Plots the data points X and y into a new figure 
%   PLOTDATA(x,y) plots the data points with + for the positive examples
%   and o for the negative examples. X is assumed to be a Mx2 matrix.

% Create New Figure
figure; hold on;

% ====================== YOUR CODE HERE ======================
% Instructions: Plot the positive and negative examples on a
%               2D plot, using the option 'k+' for the positive
%               examples and 'ko' for the negative examples.
%
positive = find(y == 1);
negative = find(y == 0);
plot(X(positive,1),X(positive,2),'k+','MarkerSize',7,'LineWidth',2);
hold on;
plot(X(negative,1),X(negative,2),'ko','MarkerSize',7,'MarkerFaceColor','y');
legend();
% =========================================================================
hold off;

end

sigmoid.m

这个函数实现的就是sigmoid函数，该函数的原型如下所示。