动手实现Logistic Regression （c++）_数据

最新推荐文章于 2019-06-16 19:42:17 发布
最新推荐文章于 2019-06-16 19:42:17 发布
阅读量1.1k 收藏 1
点赞数
CC 4.0 BY-SA版权
分类专栏： 机器学习 NLP
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/xceman1997/article/details/17883283
本文分享了一组原始样本数据，可供需要进行数据测试和验证的研究者及学生使用。数据集包含了多个由数字组成的样本，适用于多种数据处理和分析任务。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

把原始样本数据贴出来，供需要的同学还原上面测试结果。

1 0 4 7
0 1 2 4 6
1 0 1 2 3 4 5 7 9
0 1 4 7
1 2 3 5 7 9
0 4 7 8 9
1 0 1 2 3 4 7
1 0 1 3 4 5 6 8 9
0 2 4 5 6 8 9
1 0 3 4
1 0 1 3 4 5 7
1 2 3 4 8 9
1 0 1 3 4 6 7 8
1 0 1 2 7 8
1 0 1 2 5 6 9
0 2 6 8
1 1 2 3 7 8 9
0 2 8
0 4 5 7 9
1 0 2 6 7 8 9
0 5 6 7
1 0 6 7 9
1 0 4 5 8 9
0 6 7 9
1 0 3 5 7 8
1 1 2 3 5 9
1 1 2 3 5 8
1 1 2 3 4 5 8 9
1 0 2 3 7
0 1 4 6 8 9
1 0 2 3 4 5 6 7 8
1 0 2 3 4 7
1 0 1 2 6 7 8 9
1 0 1 4 5 8
1 0 3 5 6 7 9
1 0 1 4 5 7 8 9
1 2 3 6 8
1 0 1 2 3 5
1 0 3 4 7
0 6 7 8 9
1 0 1 5 6 7 8 9
1 0 1 5 7 8
1 0 1 4 6 7 8
1 0 1 4 5 8
1 0 2 3 4 5 6 7 8
1 0 1 4 6 9
1 1 3 4 7 8 9
0 1 2 4 5 6 7 8 9
1 0 1 6 7 8
1 1 3 4 5 8
1 1 2 3 7 8 9
1 0 1 3 4 5 6 9
0 2 4 6 7 8 9
1 0 1 3 6 7 9
1 0 2 3 6 8
0 1 2 4 6 8
1 0 1 8
1 0 2 4 5 6
1 0 1 2 4 5 7 9
1 0 2 3 4 7
1 0 2 3 6 7 8
0 2 4 5 6
1 0 1 3 5 7
1 0 1 2 4 8 9
1 2 3 4 5
1 3 4 7
1 0 2 3 4 5 6 7 8 9
1 1 2 3 5 6 8
0 2 4 5 8 9
0 1 2 6 7
1 0 1 3 4 5 7 9
0 1 5 7
1 0 4 6 7 8
1 1 2 3 4 5 6 8
0 1 5 7 9
1 1 3 4 6 7 9
1 0 1 2 3 4 7 8 9
0 5 8
0 2 5 7 8
1 0 1 4 7 8
1 0 2 3 6 7 9
1 2 3 4 6
1 0 3 5 7
1 0 3 4 5
1 0 1 5 6 7 8 9
1 3 4 5 7 8 9
1 3 5 6
0 2 5 7 8 9
1 0 1 2 4 5 6 7 9
1 0 1 6 9
0 5 7 8
0 4 7 9
0 1 2 6 9
1 0 3 6 7 8 9
0 1 4 8 9
1 2 3 7 9
1 0 2 6 7 8
0 5 7 9
1 0 2 4 6 7
0 1 5 7 8 9
1 0 4 9
1 0 2 9
1 1 2 3 5 6
1 1 3 4 6 7 8 9
1 1 3 4 7 9
1 0 2 4 5 6 8 9
1 0 1 2 5 7 9
0 1 2 4 5 8
0 1 4 7 9
1 0 2 3 4 5 6 7
1 0 2 3 4 7 9
1 2 3 4 5 7 8
1 0 1 2 3 7
0 4 6 8
1 2 3 4 6 7 8 9
0 5 6 8 9
0 1 2 6 7 8 9
1 0 2 3 4 5 7 8 9
1 0 1 2 3 5 8
0 2 5 7 8 9
1 0 3 4 6 8 9
1 0 1 3 5 9
1 1 2 3 4 6
1 0 1 2 3 5 6 7 8
1 0 2 4 7 8
1 0 2 6 7
1 1 3 6 9
1 0 3 4 6 7
1 2 3 4 5
1 3 5 6 8
1 2 3 4 5 7 8
1 0 1 4 7 9
1 0 2 5 6 7 8
1 0 1 2 3 5 6 9
0 1 2 4 5 8 9
0 1 4 5 7 9
1 0 3 5 7 8 9
1 1 3 4 5 8 9
0 6 7 8 9
1 3 4 6 9
1 1 2 3 4 7
1 0 1 2 3 5 6 7 8 9
0 1 4 6 8 9
1 0 2 3 4 5 6 8 9
1 1 2 3 4 5 6 9
0 2 5 9
1 0 1 5 7 9
1 0 1 2 6
1 0 1 3 5 8
1 2 3 7 9
1 3
1 2 3 5 8
1 1 2 3 6 8
1 1 2 3 5 7
1 0 1 3 4 9
0 1 2 5
1 0 1 3 5 7
1 1 3 7
0 1 5 9
0 2 4 6 7 8 9
1 3 6 7 9
1 0 1 2 3 4 5 6 8
1 0 2 4 7 8
1 1 3 7 8
1 0 1 3 4 5 6 7 8 9
1 2 3 5
0 1 6 7 8 9
1 0 1 5 6 8 9
1 0 3 5 7
1 0 1 5 6 7
1 1 3 8 9
0 2 4 5 6 7 8
1 0 2 3 7 8
1 0 1 2 4 5 7 8
1 0 3 5 7 8
0 4 9
1 1 3 6
1 0 1 5 6 7 9
1 2 3 5 6 8 9
1 0 4 5 6 7
1 1 3 6 7
1 1 3 4 8 9
0 1 2 4 6 7 8 9
1 0 2 8
1 0 1 2 4 5 7 9
1 0 1 4 9
1 1 3 9
1 0 2 3 5 8 9
1 0 1 4 5
1 0 1 3 5 7 8
1 1 3 6 8 9
1 1 2 3 4 5 6 7 9
0 1 4 6 7 9
1 0 1 2 3 5 8 9
0 1 2 4 5 9
1 3 4 5 6
0 1 5 6 7
1 0 3 4 8
1 0 1 6 9
1 0 5 6 9
1 0 1 3 8 9
0 2 7 9
0 5 6 8 9
1 2 3 5 6 7 8
0 1 2 4 6 9
1 0 1 4 8 9
0 1 4 5 6 9
1 0 1 5 7
1 0 3 4 6 8
0 1 2 4 6 8 9
1 0 2 3 6 7 8
1 0 2 3 4 5 6 7 9
1 0 1 3 4 5 6 7
0 1 2 4 6 9
0 5 6
1 0 3 4 5 7 8
1 3 4 6 8
1 3 5 6 9
1 0 3 5 6 8
1 0 3 4 6
1 0 1 2 3 7
1 0 2 4 8
1 0 1 2 4 6 7
1 1 2 3 4 5 6 7 8 9
0 2 4 7 8 9
1 1 2 3 5 6 8 9
1 0 3
1 2 3 7
1 0 1 2 3 4 6 7 9
1 0 4
0 2 5 7 8
1 0 1 7 8
1 0 1 5
0 2 7 8 9
1 0 1 5 6 8 9
1 0 1 2 3 5 6 7 8
1 0 2 4 7 8 9
1 3 5 7 8 9
0 2 4 7 9
0 2 5 7
0 5 6
0 2 4 5 8
1 3 4 7 9
1 0 2 3 4 8 9
1 0 6 7 9
1 0 2 3 6 8 9
0 1 2 5 6
0 2 5 6 7
1 0 2 3 4 7 8 9
1 0 3 4 6 7 8 9
1 0 1 2 6 9
1 2 3 4 6 7 8
1 0 1 2 6 7 8
0 1 6 7 9
0 9
1 2 3 5 7 9
1 0 3 4 5 8 9
1 1 3 6 7 8 9
1 0 1 2 3 5 8
1 1 3 4 5 7 8
0 5 6 7 8 9
1 3 4 6 7
1 1 2 3 4 5 6 7 8
1 0 1 4 5 8 9
1 1 3 4 5 8 9
1 0 1 2 3 4 6 7 8
1 1 2 3 4 6 8
1 0 1 2 6
1 0 4 5 7
1 0 8
1 0
0 6 8
0 5 6 8
1 0 1 2 3 4 6 7 8 9
1 0 1 2 4 5 8 9
1 0 1 4 5 6 8
0 1 5 9
1 3 5 6 7 9
0 1 2 4 5 6 7
0 1 2 6 7 9
0 1 2 4 8
1 0 1 2
1 0 1 4 5 6 7
1 0 2 4 5 6 7
1 3 6 7 9
0 4 5 6 8
0 4 5 6 7 8 9
1 0 5
1 0 1 2 9
1 3 5 6 7 9
1 0 1 2 4 5 8
1 1 2 3 4 5 8 9
1 0 2 4 5 7
1 0 2 7
1 0 4 7 9
1 1 3 5 7 8
1 3 8 9
0 1 4 5 7 8
1 0 2
1 0 1 2 5 8
1 1 3 4 7 8
1 0
1 0 1 4 5 8 9
1 0 1 2 4 5 9
0 4 5 7 8
1 0 2
1 2 3 5 6 7 8
1 0 3 4 5 6 7
1 0 1 2 4 5 7 8 9
1 0 2 3 9
1 1 3 6 7
0 2 4 6 7
1 0 3 4 8 9
1 3 6 7 8
0 6 8 9
0 2 6 7
1 1 2 3 4 5 6
0 1 4 7 8 9
1 1 2 3 4 5 6 7 8 9
1 2 3 5 6 7 8 9
1 3 7 9
0 1 2 6 8 9
0 2 5 6 8
1 0 3 5 6 9
1 0 1 2 3 4 7 8
1 0 1 2 4 5 9
1 3 4 7 9
1 0 6 8
1 0 2 3 7
1 3 5 6
1 1 2 3 4 8 9
1 2 3 7 8 9
1 3 4 6
1 0 1 2 5 8
1 0 1 6 8
1 0 2 3 4 5
0 2 4 8
1 1 3 5 8
1 0 2 3 4 7 8 9
1 1 3 4 9
1 3 7 8 9
1 0 2 3 4 5 8 9
1 0 1 8 9
1 0 3 4 5 8
1 1 2 3 5 6 7 9
1 0 1 3
1 0 1 2 3 8
1 0 1 3 4 8 9
1 2 3 4 8 9
1 0 1 2 3 6 9
1 0 1 3 4 5
1 0 8 9
1 1 2 3 4 5 6 8
1 0 2 3 4 5 7 8
1 0 1 3 6 8
1 0 1 2 3 4 5 6 8 9
0 1 4 5 8 9
0 1 2 5 6 7
1 0 3 4
1 2 3 5 7
1 0 1 5 7 9
1 1 3 4
1 0 7
1 0 2 4 7
1 0 1 2 3 4 6 7 8
0 1 5 8
1 0 1 2 3 6 8
1 1 2 3 4 5 6
1 1 3 4 5 8
0 1 2 5 7 8
1 0 1 4 6 7 9
1 0 1 2 3 7
1 0 2 4 5 6 7 8
1 0 1 3 5 6 8
1 2 3 4 5
1 0 1 2 4 5 8 9
0 2 5 8
1 3 5 6 8 9
0 5 6 7 8
0 1 2 7 8 9
1 0 3 4 6 8
0 2 6 8 9
1 0 1 2 4 7 9
1 0 1 3 4 5 6 9
1 2 3 4 7 8 9
1 0 1 2 4 5 6 8 9
1 3 4 7 8 9
0 1 2 4 5 8
1 3 4 5 7
1 3 7 8 9
1 0 1 3 4 8
1 0 1 2 3 4

另，转载请注明出处：http://write.blog.youkuaiyun.com/postedit/17883283

c++实现LogisticRegression/用c++实现逻辑回归
qrqpjxq的博客
08-19 2456
欢迎使用Markdown编辑器写博客今天没事学习c++，试着用c++实现了一个简单的逻辑回归。 因为重在学习c++语法和逻辑回归的具体实现细节，因此没有用到向量化矩阵化等操作。 实现了GD SGD batch SGD三种梯度下降学习算法。 具体代码： logisticregression.hifndef LOGISTICREGRESSION_Hdefine LOGISTICREGRESSIO
机器学习算法逻辑回归Logistic Regression之c++实现（不调用外源库）_使用c+
最新发布
2401_84975245的博客
05-17 339
在这里梯度下降和上升的区别，可以参考 http://blog.youkuaiyun.com/dongtingzhizi/article/details/15962797。随机梯度下降与梯度下降法不同的是在负梯度方向的确定，梯度下降是根据所有的样本来确定负梯度方向，而随机梯度下降每次只看一个样本点来确定负梯度方向，虽然不完全可信，但随着迭代次数增加，同样收敛。逻辑回归，这里主要考虑其常用的两种求参数算法，一种是梯度下降，一种是随机梯度下降。梯度上升算法，主要是确定负梯度方向，步长，采用迭代的思想迭代n至收敛，
动手实现Logistic Regression （c++）_实现
xceman1997的专栏
01-05 2042
模型实现起来，就两个主要任务：训练和预测。先看训练部分。函数的名字是TrainSGDOnSampleFile，写完整了就是“train the model by stochastic gradient descent on the file containing samples” ，算法就是SGD了（不是GD）。实现如下： // the sample format: classid featur
动手实现Logistic Regression （c++）_接口
xceman1997的专栏
01-05 2142
1. 初衷 从前求学的时候，大致了解logistic regression——原理、应用场合，等等。这段时间工作需要，又找了些资料，重新回顾了一下。一直以来我都有个观点：一个机器学习模型，如果没有一行行代码亲自实现过，就谈不上真正了解它。周末在家，啤酒音乐作伴，码了一个简单LR c++实现，贴出来供大家参考。 2.  限制 LR模型很简单，不过在具体应用的时候，还是有很多tric
DeepLearning/Logistic Regression/mnist 的C++实现
10-01
Deep learning 学习中，Logistic regression算法的mnist数字识别/分类的C++实现，原例子在http://deeplearning.net/tutorial/gettingstarted.html，采用python写的，原例子的主要数学工具是Theano。
第三次实现Logistic Regression（c++）_实现（一）
xceman1997的专栏
01-18 1722
1. scale 为什么要对输入数据做scale？在《再次实现Logistic Regression（c++）_实现和测试》给出的理由是这样一句话“由于sigmoid函数在计算机中的精度限制，我们必须对实值输入进行归一化处理。” 具体的来说，是指数函数exp在计算中的精度限制，才需要对数据进行处理。 scale的接口为 // scale all of the sample values an
LogisticRegression:(c++) 多元逻辑斯蒂回归，并实现随机梯度下降和L1L2正则化项
06-10
LogisticRegression 多元逻辑斯蒂回归，并实现随机梯度下降和L1/L2正则化项。 参照 在此基础上加入L1和L2 Regularization；关于逻辑斯蒂回归中的L1和L2正则化项详见以下两个链接: 并对输入格式进行泛化，例如可以对...
C++实现简单逻辑回归 Logistic Regression
codestrom04
06-16 1898
逻辑回归是非常经典的分类算法，通过sigmoid非线性函数实现的二分类器，关于函数原型、分类算法原理可参考： https://blog.youkuaiyun.com/u014258807/article/details/80616647 sigmoid函数定义为： 函数图形为： 其推导过程略，实现可参考github：https://github.com/codestorm04/Arma_ML...
动手实现Logistic Regression （c++）_测试
xceman1997的专栏
01-05 1355
承上文，接口有了，实现晚了，就找点儿数据测吧。整个过程是在windows vs2008下完成。 数据样例如下： 1 0 1 2 5 8 1 1 3 4 7 8 1 0 1 0 1 4 5 8 9 1 0 1 2 4 5 9 0 4 5 7 8 1 0 2 1 2 3 5 6 7 8 1 0 3 4 5 6 7 1 0 1 2 4 5 7 8 9 数据来源是从 http://komarix
再次实现Logistic Regression（c++）_实现和测试
xceman1997的专栏
01-11 1965
1. 实现 相比上面的实现，主要是随机梯度下降的算法代码稍有变动。变动后，模型训练实现如下： // the update formula is : theta_new = theta_old - dLearningRate * (dY - iClass) * dXi void LogisticRegression::UpdateThetaVec(Sample & theSample, do
C++实现回归算法(逻辑回归 线性回归)
03-17
C++实现回归算法, 包含线性回归和逻辑回归, 代码干净, 整洁, 有注释, 具有良好的封装性, 可直接迁移使用
Logistic Regression 分析代码简单实现
04-27
Logistic Regression 模型分析实现
动手实现Logistic Regression （c++）_测试_再次
xceman1997的专栏
01-06 1680
上文中招的数据集和有点儿小，再找个大点儿的尝试下。这次找的是libsvm的一个数据集合，预测是否是成年人的，共123个特征，训练集1605个样本，测试集30956个样本。原始数据可以从这个链接下载：http://www.csie.ntu.edu.tw/~cjlin/libsvmtools/datasets/binary.html 数据样例： 0 5 7 14 19 39 40 51 6
Logistic Regression（c++）源代码下载
xceman1997的专栏
01-18 2064
把源代码上传到google code上去了。从前也没贡献过什么开源代码，这方面没什么经验，感觉google招牌大，就用它了。传上去，除了给共同学习者参考之外，还有一个作用就是给自己备份——很多时候自己很久以前写的东西，就想不起来放哪儿了。 代码project主页：http://code.google.com/p/logistic-regression-cplusplus/ 代码下载页：
【转载】logistic regression C++实现
xceman1997的专栏
12-19 1361
原文地址：http://www.cnblogs.com/wangbogong/archive/2013/06/11/3131838.html 在“逻辑斯特回归模型(logistic regression)”一文中阐述了logistic regression模型的理论基础，本节采用C++实现logistic regression。算法是由笔者跟我们老板一起合作完成(老板提供算法
logistic回归 c++ 实现
weixin_30892889的博客
01-09 720
　　logistic回归是统计学习中经典的分类方法，他属于对数线性模型。本博文主要给出logistic的c++实现，具体理论请读者自行google。 　　本文用到的数据集来自于一个医学网站，具体出处不记得了（非常歉意）。数据的格式如下： 　　10009 1 0 0 1 0 1　　10025 0 0 1 2 0 0　　20035 0 0 1 0 0 1　　20053 1 0 0 0 0 0...
第三次实现Logistic Regression（c++）_再尝试
xceman1997的专栏
01-20 1365
写了三个Logistic Regression的实现，发了好几篇博文，我都有点儿写上瘾了。 这一篇再进一步聊一下SGD的程序实现。从前的代码实现框架是这个样子： // the sample format: classid feature1_value feature2_value... bool LogisticRegression::TrainSGDOnSampleFile (
第三次实现Logistic Regression（c++）_接口
xceman1997的专栏
01-18 1758
看《我是歌手》第三期回放，张宇唱得实在太烂，还是回来写会儿blog吧。 1. 初衷 前两次实现，第一次的输入特征限于0-1特征，第二次限于实值特征，两者混用的还没尝试过，这次也不打算尝试。前面实现的都是二分类问题，在现实生活中，最经常遇到的还是多分类问题。由二分类器转成多分类器有两种方法：one vs all，or one vs one。前者，对于K个类别，建立K个分类器，每个分类器区
logistics regression 的C++实现
和煦陽光的专栏
08-24 622
#include #include #include #include #include using namespace std; typedef struct features_label{ vector x; //features double y; //label }data; /*read examples from the file specified by path*/ vo
C++实现Logistic Regression进行mnist数字识别
此外，由于mnist数据集包含的数据量相对较大，因此在C++实现时，如何高效地管理内存和进行矩阵运算也是一个需要关注的问题。 【知识点六】mnist04压缩包子文件说明 文件名“mnist04”可能指代C++实现mnist数字识别...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值