邏輯回歸演算法：理論學習（1天） 打卡
邏輯回歸：分類模型。模型簡單且模型的可解釋性強
1、優劣勢:
優點：實現簡單，易於理解和實現；計算代價不高，速度很快，儲存資源低；
缺點：容易欠擬合，分類精度可能不高
2、應用
機器學習，分類演算法
3、應用資料集進行邏輯回歸分類步驟
（1）匯入庫函式
（2）讀取資料
（3）二分類上訓練及**
（4）三分類上訓練及**
讀demo程式
1、import…as…:匯入函式庫
2、邏輯回歸模型：logisticregression()
3、使用fit擬合構造
4、coef_為模型引數w1~w4，intercept_為模型引數w0
5、scatter：繪製散點圖
6、cmap='viridis』顏色從黃到藍
7、annotate：用於在圖形上給資料新增文字註解
8、xlim()函式：設定x軸的數值顯示範圍。
9、meshgrid是用x值陣列和y值陣列建立矩形網格
10、predict_proba：訓練後返回**結果，是標籤值，返回的是乙個n行k列的陣列，第i行第j列上的數值是模型**第i個**樣本為某個標籤的概率，並且每一行的概率和為1。
11、contour：畫等高線
12、x[:,0]是numpy中陣列的一種寫法，表示對乙個二維陣列，取該二維陣列第一維中的所有資料，第二維中取第0個資料。
讀基於鳶尾花（iris）資料集的邏輯回歸分類程式
1、利用.info()檢視資料的整體資訊
2、利用 .head() 頭部.tail()尾部進行簡單的資料檢視
3、.copy進行淺拷貝
4、sns.pairplot：所有變數放進去，畫變數之間關係的圖
5、sns.boxplot：箱型圖
6、value_counts:檢視每個類別數量
7、add_subplot：在一張figure裡面生成多張子圖
8、混淆矩陣：統計**值與真實值的各類情況
演算法理論 學習型別
二元分類問題 binary classification最核心 回歸問題 最核心 多元分類問題 multiclass classification 結構學習問題 structured learning problem，巨大的多元分類問題，structure hyperclass，沒有明確的類別定義。...
AI lab1 BP演算法理論學習
寫在前面 首先宣告，python和ai的純小白，不曾想開學第一周老師就趕鴨子上架，扔給我們一堆bp演算法 啥都沒學一上來寫個 anyway，硬著頭皮上了，不就是硬啃嗎，企圖找到屬於我的巨人的肩膀。下面這篇文章將記錄我學習以及弄懂的過程，僅供個人捋思路和再次溫習。巨人的肩膀 一 我尋思著既然要自己把演...
《機器學習》邏輯回歸演算法理解
自己寫了邏輯回歸的 之後，對邏輯回歸的本質有了一點感覺，在我看來，邏輯回歸本質就是用來求乙個線性函式 f，這個f可以把一些資料點分成兩類，而h 1 1 e z 實際就是乙個中間函式。下面描述演算法的框架 按理說有了f x w0 w1 x，以及資料點，就可以根據平方損失函式sum y f x 2求解引...