Coursera-AndrewNg(吴恩达)机器学习笔记——第四周编程作业(多分类与神经网络)...
多分类问题——识别手写体数字0-9
一.逻辑回归解决多分类问题
1.图片像素为20*20,X的属性数目为400,输出层神经元个数为10,分别代表1-10(把0映射为10)。
通过以下代码先形式化展示数据 ex3data1.mat内容:
load('ex3data1.mat'); % training data stored in arrays X, y m = size(X, 1); %求出样本总数 % Randomly select 100 data points to display rand_indices = randperm(m); %函数功能随机打乱这m个数字,输出给rand_indices. sel = X(rand_indices(1:100), :); %按照打乱后的数列取出100个数字,作为X矩阵的行数。displayData(sel); %通过本函数将选出的X矩阵中100个样本进行图形化
函数displayData()实现解析如下:
function [h, display_array] = displayData(X, example_width) %DISPLAYDATA Display 2D data in a nice grid if ~exist('example_width', 'var') || isempty(example_width) example_width = round(sqrt(size(X, 2))); %四舍五入求出图片的宽度 end colormap(gray); %将图片定义为灰色系 [m n] = size(X); example_height = (n / example_width); %求出图片的高度% Compute number of items to display display_rows = floor(sqrt(m)); %计算出每行每列展示多少个数字图片 display_cols = ceil(m / display_rows); pad = 1; %图片之间间隔% Setup blank display 创建要展示的图片像素大小,空像素,数字图片之间有1像素间隔 display_array = - ones(pad + display_rows * (example_height + pad), ...pad + display_cols * (example_width + pad));% Copy each example into a patch on the display array 将像素点填充进去 curr_ex = 1; for j = 1:display_rowsfor i = 1:display_colsif curr_ex > m, break; end% Get the max value of the patchmax_val = max(abs(X(curr_ex, :)));display_array(pad + (j - 1) * (example_height + pad) + (1:example_height), ...pad + (i - 1) * (example_width + pad) + (1:example_width)) = ...reshape(X(curr_ex, :), example_height, example_width) / max_val; %reshape函数进行矩阵维数转换curr_ex = curr_ex + 1;endif curr_ex > m, break; end end h = imagesc(display_array, [-1 1]); %将像素点画为图片 axis image off %不显示坐标轴 drawnow; %刷新屏幕 end
2.向量化逻辑回归
向量化代价函数和梯度下降,代码同第三周编程练习相同:http://www.cnblogs.com/LoganGo/p/9009767.html
核心代码如下:
function [J, grad] = lrCostFunction(theta, X, y, lambda) m = length(y); % number of training examples J = 0; grad = zeros(size(theta));%分别计算代价值J和梯度grad J=1/m*(-(y')*log(sigmoid(X*theta))-(1-y)'*log(1-sigmoid(X*theta)))+lambda/(2*m)*(theta'*theta-theta(1)^2); %grad = 1/m*X'*(sigmoid(X*theta)-y)+lambda*theta/m; %grad(1) = grad(1)-lambda*theta(1)/m; grad=1/m*X'*(sigmoid(X*theta)-y)+lambda/m*([0;theta(2:end)]); grad = grad(:); end
3.逻辑回归解决多分类问题
oneVsAll.m函数解析:通过阅读原文中所给的英文解析,足够完成本函数的编写
function [all_theta] = oneVsAll(X, y, num_labels, lambda) m = size(X, 1); n = size(X, 2); all_theta = zeros(num_labels, n + 1); %为训练1-10个便签,所以需要矩阵为10*n+1 X = [ones(m, 1) X]; %运用了fmincg()函数求参数,与函数fminunc()相比,处理属性过多时更高效! options = optimset('GradObj', 'on', 'MaxIter', 50); for c=1:num_labels,all_theta(c,:)=fmincg(@(t)(lrCostFunction(t, X, (y==c), lambda)), all_theta(c,:)', options)'; endend
预测函数predictOneVsAll()函数编写:
function p = predictOneVsAll(all_theta, X)m = size(X, 1); num_labels = size(all_theta, 1); p = zeros(size(X, 1), 1); X = [ones(m, 1) X]; index=0; pre=zeros(num_labels,1); %存储每个样本对应数字1-10的预测值for c=1:m,for d=1:num_labels,pre(d)=sigmoid(X(c,:)*(all_theta(d,:)')); end[maxnum index]=max(pre);p(c)=index; %找到该样本最大的预测值所对应的数字,作为实际预测值 end end
二.神经网络解决多分类问题
使用已经训练好的参数θ1θ2来做预测,predict.m如下:
function p = predict(Theta1, Theta2, X) m = size(X, 1); num_labels = size(Theta2, 1); X=[ones(m,1) X]; %为a1添加为1的偏置 p = zeros(size(X, 1), 1); for i=1:m, %分别对m个样本做预测a2=sigmoid(Theta1*X(i,:)'); %计算a2a2=[1;a2]; %为a2添加为1的偏置a3=sigmoid(Theta2*a2); %计算a3[manum index]=max(a3); %求出哪个数字的预测值最大p(i)=index; %得出预测值 end end
转载于:https://www.cnblogs.com/LoganGo/p/9057793.html
Coursera-AndrewNg(吴恩达)机器学习笔记——第四周编程作业(多分类与神经网络)...相关推荐
- python第六周实验_机器学习 | 吴恩达机器学习第六周编程作业(Python版)
实验指导书 下载密码:ovyt 本篇博客主要讲解,吴恩达机器学习第六周的编程作业,作业内容主要是实现一个正则化的线性回归算法,涉及本周讲的模型选择问题,绘制学习曲线判断高偏差/高方差问题.原始实 ...
- 机器学习 | 吴恩达机器学习第六周编程作业(Python版)
实验指导书 下载密码:ovyt 本篇博客主要讲解,吴恩达机器学习第六周的编程作业,作业内容主要是实现一个正则化的线性回归算法,涉及本周讲的模型选择问题,绘制学习曲线判断高偏差/高方差问题.原始实 ...
- [吴恩达机器学习笔记]12支持向量机3SVM大间距分类的数学解释
12.支持向量机 觉得有用的话,欢迎一起讨论相互学习~Follow Me 参考资料 斯坦福大学 2014 机器学习教程中文笔记 by 黄海广 12.3 大间距分类背后的数学原理- Mathematic ...
- 吴恩达机器学习笔记55-异常检测算法的特征选择(Choosing What Features to Use of Anomaly Detection)
吴恩达机器学习笔记55-异常检测算法的特征选择(Choosing What Features to Use of Anomaly Detection) 对于异常检测算法,使用特征是至关重要的,下面谈谈 ...
- 吴恩达机器学习笔记:(四)矩阵、多元梯度下降
吴恩达机器学习笔记 矩阵基础知识 矩阵逆运算 矩阵的转置 实践乘法 多元梯度下降 特征缩放 学习率α 矩阵基础知识 矩阵逆运算 矩阵的转置 实践乘法 多元梯度下降 特征缩放 学习率α 学习率的选择:
- 吴恩达机器学习笔记:(一)机器学习方法简介
吴恩达机器学习笔记 Supervised Learning(监督学习) Unsupervised Learning(无监督学习) clustering 聚类算法 market segments 市场细 ...
- 吴恩达机器学习笔记第一周
第一周 吴恩达机器学习笔记第一周 一. 引言(Introduction) 1.1 欢迎 1.2 机器学习是什么? 1.3 监督学习 1.4 无监督学习 二.单变量线性回归(Linear Regress ...
- 吴恩达机器学习笔记week8——神经网络 Neutral network
吴恩达机器学习笔记week8--神经网络 Neutral network 8-1.非线性假设 Non-linear hypotheses 8-2.神经元与大脑 Neurons and the brai ...
- 吴恩达机器学习笔记整理(Week6-Week11)
1. Week 6 1.1 应用机器学习的建议(Advice for Applying Machine Learning) 1.1.1 决定下一步做什么 到目前为止,我们已经介绍了许多不同的学习算法, ...
最新文章
- hdu2037今年暑假不AC
- shell中条件判断if中的-z到-d的意思
- PHP从零开始--字段修饰符数据操作SQL语言
- 河北科技大学——数据结构课后习题
- kvm上添加万兆网卡_烂泥:为KVM虚拟机添加网卡
- jQuery知识点学习整理
- 简历编辑导出工具(类似wps简历助手)
- 元器件保护必备知识——静电防护
- 数据挖掘-基于随机森林模型的企业偷漏税纳税人识别
- Matlab绘制简单动画
- [pytorch] monai Vit 网络 图文分析
- Abstract Factory模式(抽象工厂模式)
- 【大数据分析】未开先火|北京环球影城网络传播热度洞察
- 关于 JavaScript 中 null 的一切
- 古诗+代码 = 绝配
- ava查询mysql的数据_【技术综述】AVA-第一个大规模的美学质量评估数据库
- [R]提高R语言速度
- EMQX 入门教程——导读
- 室内清扫机器人部分资料收集汇总
- 研究生论文查重原则是什么?
热门文章
- 信息学奥赛一本通(C++)在线评测系统——基础(一)C++语言——1078:求分数序列和
- 【STM32】FreeRTOS资源(持续更新)
- 【Linux网络编程】因特网的IP协议是不可靠无连接的,那为什么当初不直接把它设计为可靠的?
- mysql导入wordpress_WordPress搬家,导入mysql出错的解决方法 - 老牛博客
- python向mysql中添加数据_通过python操控MYSQL添加数据,并将数据添加到EXCEL中-阿里云开发者社区...
- 数据结构-----跳表
- iTerm2 保存日志
- 牛客IOI周赛19-普及组 B.小y的序列
- CF-1209 F. Koala and Notebook(建图BFS)
- Luogu-P4768 (Kruskal重构树+最短路)