《機器學習》第三章 對率回歸

import numpy as np

from numpy import random
def dataload(filename,l,r):#匯入資料，感覺匯入的有點困難
f=open(filename)
ar=f.readlines()
num=len(ar)
mat=np.zeros((r-l+1,num))
ind=0
for line in ar:
line.split('\n')
linelist=line.split(' ')
mat[0:r-l,ind]=linelist[l:r]
mat[r-l:r-l+1,ind]=1.0
ind=ind+1
return mat
x=dataload("1.txt",0,2)
y=dataload("1.txt",2,3)
beta=random.random(size=(3,1))#隨機生成初始的beta矩陣
def p1(mat,p):
ha=np.dot(mat.t,x[:,p])
return np.exp(ha)/(1+np.exp(ha))
def one(mat):#求關於beta函式的一階導
tep=np.zeros((3,1))
for i in range(17):
temp=np.zeros((3,1))
for j in range(3):
temp[j,0]=x[j,i]
tep=tep+temp*(y[0,i]-p1(mat,i))
return -1.0*tep
def two(mat):#二階導
tep=np.zeros((3,3))
for i in range(17):
temp=np.zeros((3,1))
for j in range(3):
temp[j,0]=x[j,i]
tep=tep+np.dot(temp,temp.t)*p1(mat,i)*(1-p1(mat,i))
return tep
cnt=10000
for i in range(cnt):#使用牛頓法迭代cnt次得到beta矩陣
tep=two(beta)
if(np.linalg.det(tep)==0):
break
else :
tep=np.linalg.inv(tep)
beta=beta-np.dot(tep,one(beta))
ans=np.dot(beta.t,x)
def sigmoid(p):#sigmoid 函式
return 1.0/(1+np.exp(-p))
for i in range(17):
print(sigmoid(ans[0,i]))

這是用對率回歸得到的資料集3.0的結果，第一次寫python的**，好多東西不會，希望有大神能指點指點我，感覺沒人交流我都不知到我自學的對不對，畢竟學習能力不行

機器學習（西瓜書）第三章 3 3對率回歸程式設計

常用 1.f csv.reader open watermelon3 0 ch.csv r 2.enumerate 3.concatenate np.concatenate px1,px2,np.ones 50,1 axis 1 4.np.where ans 0.5,是 否 5.import mat...

scikit learn機器學習 第三章 複習題

1.什麼是過擬合？什麼是欠擬合？怎麼樣去診斷演算法是否是過擬合或欠擬合？過擬合 訓練誤差很小，驗證誤差較大。高方差，欠擬合 訓練誤差和驗證誤差都很大。高偏差，診斷演算法 繪製這個模型的學習曲線 2.模型的擬合成本是什麼意思？它和模型的準確性有什麼關係？擬合成本 衡量模型與訓練樣本符合程度的指標 關係...

OpenGl學習第三章

上個星期學習了下金字塔的繪製，然後這週有看了看正方體的繪製，通過依次繪製6個面來繪製正方體，整體 跟上次的金三角沒有區別，只是座標點，顏色，已經繪製的 有點區別，上 看看 這是座標 private static float cubevertexcoords new float new float n...