基于ROS的智能汽車設(shè)計(jì)與實(shí)訓(xùn)教程ML-CZ-chapter2-2

第2章監(jiān)督學(xué)習(xí)第2章監(jiān)督學(xué)習(xí)

2

在日常生活中有哪些分類的例子？第2章監(jiān)督學(xué)習(xí)

3

如何進(jìn)行分類？即如何根據(jù)輸入特征來預(yù)測(cè)類別標(biāo)注？2.2邏輯回歸【實(shí)驗(yàn)2-8】使用線性回歸對(duì)百分制成績(jī)進(jìn)行二分類，評(píng)估訓(xùn)練數(shù)據(jù)集上分類的準(zhǔn)確程度。提示：對(duì)“binary_grade_dataset.ipynb”數(shù)據(jù)集進(jìn)行分類（dataset=1）可進(jìn)行特征縮放，例如標(biāo)準(zhǔn)化，以加速訓(xùn)練判決門限取0.5

4

2.2邏輯回歸

5

訓(xùn)練數(shù)據(jù)集12.2邏輯回歸【實(shí)驗(yàn)2-8】使用線性回歸對(duì)百分制成績(jī)進(jìn)行二分類，評(píng)估訓(xùn)練數(shù)據(jù)集上分類的準(zhǔn)確程度。提示：對(duì)“binary_grade_dataset.ipynb”數(shù)據(jù)集進(jìn)行分類（dataset=2）

6

2.2邏輯回歸

7

訓(xùn)練數(shù)據(jù)集22.2邏輯回歸

8

為什么線性回歸模型在訓(xùn)練數(shù)據(jù)集2上出現(xiàn)了分類錯(cuò)誤？2.2邏輯回歸

9

兩端“折彎”了的擬合曲線2.2邏輯回歸

10

Sigmoid函數(shù)曲線2.2邏輯回歸

11

用Python畫出sigmoid函數(shù)的曲線。2.2邏輯回歸

12

Sigmoid函數(shù)的平移與縮放2.2邏輯回歸【實(shí)驗(yàn)2-9】用酒駕檢測(cè)數(shù)據(jù)集訓(xùn)練使用均方誤差代價(jià)函數(shù)的邏輯回歸模型，并評(píng)估其分類的準(zhǔn)確程度。修改權(quán)重的初始值（例如10）、修改迭代次數(shù)（例如30000）提示：可做特征縮放，例如做標(biāo)準(zhǔn)化在劃分訓(xùn)練數(shù)據(jù)集與測(cè)試數(shù)據(jù)集之前，應(yīng)對(duì)數(shù)據(jù)集中的樣本隨機(jī)排序可將數(shù)據(jù)集中的250個(gè)樣本用于訓(xùn)練，其余134個(gè)樣本用于測(cè)試數(shù)據(jù)集矩陣的前5列為輸入特征，最后1列為標(biāo)注阿達(dá)馬積可直接用“*”（乘號(hào)）實(shí)現(xiàn)可用np.exp()函數(shù)計(jì)算自然指數(shù)

13

2.2邏輯回歸

14

權(quán)重初始值為0權(quán)重初始值為102.2邏輯回歸

15

為什么即便我們使用批梯度下降法，均方誤差代價(jià)函數(shù)的值也不再平穩(wěn)收斂？2.2邏輯回歸

16

實(shí)驗(yàn)2-9中均方誤差代價(jià)函數(shù)的值（d=1時(shí)）2.2邏輯回歸

17

如何改進(jìn)上式？

2.2