非监督特征学习与深度学习(二)----逻辑回归
来源:互联网 发布:网络信息安全的重要性 编辑:程序博客网 时间:2024/06/15 14:06
注:本文转载自https://github.com/ysh329/Chinese-UFLDL-Tutorial
因为github上的makedown格式显示的不够完全,看的非常不方便,因此放到CSDN上比较好查阅学习。
逻辑斯特回归(Logistic Regression)
在先前的学习中,学习了预测连续数值的方法(如预测房价,房价是连续值而不同于分类问题的离散值),如把输入值(如房屋大小)传给线性的函数。有时候,反而希望预测离散变量(Discrete Variable),如预测网格中像素强度是代表一个“0”位还是一个“1”位。此时,这便是一个分类问题,逻辑斯特回归(Logistic Regression)对于学习这样的(分类)决策来说是一种简单的方法。
在线性回归中,尝试使用线性函数
函数
需要注意的是,在上式的加和形式中,对每个训练样本,两项中只有一项是非零的(这取决于样本的真实类别标记
现在,有了评价拟合训练数据的假设(或称为“假设函数”)
为了最小化
若写成向量形式,其整个梯度可表示为:
除了当前的假设函数
练习 1B(Exercise 1B)
本次练习的初学者代码已经在初学者代码(Starter Code)的 GitHub Rep 中的 ex1/ 目录中。
在本次练习中,您将会实现逻辑斯特回归(Logistic Regression)的目标函数(Objective Function)以及梯度计算(Gradient Computation),并使用您的代码从 MNIST 数据集 中,学习分类数字(“0”或“1”的)图像。如下是列举的一些数字图片样本:
使用
您可以在初学者代码(Starter Code)中的 ex1/ex1b_logreg.m
文件中找到本次的练习。初学者代码(Starter Code)文件里将会给您显示如下任务:
调用
ex1_load_mnist.m
文件将 MNIST 训练与测试集数据载入。之后读入像素值到矩阵X 中(第i 个样本的第j 个像素值就是Xji=X(i)j ),同时为了标签行向量y 具有零均值和单位方差,还需对像素强度做一些简单的标准化处理。尽管 MNIST 数据集 包含了10个不同的数字(0−9 ),但在本次练习中,只将读取其中的数字0 和数字1 —— ex1_load_mnist 函数将会为您做(数据载入)这些。为了
θ0 可以作为截距项(Intercept Term),在代码将中对参数θ 后面追加一行数值1 。代码将会调用
minFunc包
中的logistic_regression.m
文件作为目标函数。您的任务是将logistic_regression.m
文件中的代码补全,并使其返回目标函数值及其梯度值。在
minFunc包
(的计算)完成后,在训练集和测试集上的分类准确率将会打印出来。
(类似先前的)线性回归中的练习,您将会实现 logistic_regression.m
,(该文件中的代码)在所有的训练样本 ex1b_logreg.m
中的代码来训练分类器并测试它(的性能)。
如果您的代码工作正常,您将会发现您的分类器在训练集和测试集上能够达到100%的准确率!实际上,这是一个较简单的分类问题,因为数字
- 非监督特征学习与深度学习(二)----逻辑回归
- 非监督特征学习与深度学习(五)----Softmax 回归(Softmax Regression)
- 非监督特征学习与深度学习(一)----线性回归
- 非监督特征学习与深度学习(十)----池化
- 非监督特征学习与深度学习(九)----使用卷积进行特征提取
- 非监督特征学习与深度学习(三)----向量化
- 非监督特征学习与深度学习(四)----调试:梯度检查
- 非监督特征学习与深度学习(七)----多层神经网络
- 非监督特征学习与深度学习(八)----神经网络向量化
- 非监督特征学习与深度学习(十一)----优化方法:随机梯度下降
- 非监督特征学习与深度学习(十二)---- 卷积神经网络
- 深度学习(逻辑回归)
- 监督学习之分类和逻辑回归
- Theano深度学习(逻辑回归)
- 监督学习与非监督学习
- 监督学习与非监督学习
- 监督学习与非监督学习
- 监督学习与非监督学习
- spring form 以及数据校验
- UNP(卷2:进程间通信)—— 第14章:System V共享内存区
- 洛谷Oj-乌龟棋-四维动态规划
- 从零开始前端学习[16]:box-shadow阴影属性的使用
- Apache Tomcat开机后台启动
- 非监督特征学习与深度学习(二)----逻辑回归
- poj3984 迷宫问题 bfs水题
- react 实战案例(webpack构建)
- Go的http包详解
- linux基础
- Java导出Excel和图片
- 二叉排序树、平衡树、红黑树
- How JavaScript works: memory management + how to handle 4 common memory leaks
- karto_slam 框架