多項式邏輯回歸代碼美賽思路即將發(fā)布科研交流

1、logisticy=1/(1+exp(-在matlab 中可以畫出其x =x = -y= 1./(exp(-title(logisticfunction); 以上是一維的情況。對于多維變量，可以定義一個超平面 代入原來的變量x中，得到：對于任意變量x，可以代入上式計算出 y 值并與 0.5 比較進行分類，其中sgn(x) 為符號函數(shù)。為了演示logistic 函數(shù)是版怎樣用于分類的，定義平方和（或L2norm)代價函數(shù)為：% generaterandom shift=% generaterandom shift=n= 2;%2 dimN = x=randn(n,N/2)-shift,randn

2、(n,N/2)*2+shift; y = zeros(N/2,1);ones(N/2,1);%showthedata hold on; title(2dtraining codesegmentfunction w,b,cost=function w,b,cost=fprintf(trainingstarted.n); n = size(x,1);N= w=ones(n,1)/n; b = 1;cost= count= 1;while %find partial_w=zeros(n,1); partial_b = 0;for a= partial_w=partial_w%findstep old

3、_cost=logistic_cost(x,y,w,b); step = 1;while step 1e-w1= w - partial_b=partial_bb1= b - new_costnew_cost=if new_coststep=step* if step= 1e-fprintf(finishedserachingthestepsizen); w=w1; b=cost= if new_costfprintf(trainingstopedafter%diterates,notconvergedto desired precision!,count);count=count+ 調(diào)用上面

4、logistic_train 函數(shù)就能得到w,b。 如前述，訓(xùn)練方法為梯度下降法。%training.%training.w,b,cost = logistic_train(x,y,1e-6,100);%show convergence curevedisp(training ended);title(convergencecurve);cost訓(xùn)練結(jié)束后，得到的w30.199430.4356b2.7303. （由于樣本是隨機人工生成的，每次得到的w,b 都會有些不同。）最后，有了模型（即logistic function)和模型參數(shù) w,b，% plot% plot thetraininghold on;%visualizetheclassificationarea hold on;for x = -shift*5:0.5:shift*5for y