Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
wit-df
ml
提交
679b7082
M
ml
项目概览
wit-df
/
ml
通知
1
Star
0
Fork
0
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
29
列表
看板
标记
里程碑
合并请求
29
DevOps
流水线
流水线任务
计划
Wiki
0
Wiki
分析
仓库
DevOps
代码片段
项目成员
Pages
M
ml
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
29
Issue
29
列表
看板
标记
里程碑
合并请求
29
合并请求
29
Pages
DevOps
DevOps
流水线
流水线任务
计划
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
代码片段
代码片段
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
流水线任务
提交
Issue看板
前往新版Gitcode,体验更适合开发者的 AI 搜索 >>
提交
679b7082
编写于
7月 04, 2023
作者:
wit-df
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
上传新文件
上级
e7c9812c
变更
1
隐藏空白更改
内联
并排
Showing
1 changed file
with
45 addition
and
0 deletion
+45
-0
logistic_regression.py
logistic_regression.py
+45
-0
未找到文件。
logistic_regression.py
0 → 100644
浏览文件 @
679b7082
import
numpy
as
np
import
random
def
one_hot
(
y
):
# 样本数量
m
=
len
(
y
)
# 标签类别数量
n
=
len
(
set
(
y
))
# one-hot编码
result
=
np
.
zeros
((
m
,
n
))
for
i
in
range
(
m
):
result
[
i
][
y
[
i
]]
=
1
return
result
class
Logistic_Regression
:
def
__init__
(
self
,
epochs
=
10
,
lr
=
0.01
)
->
None
:
self
.
epochs
=
epochs
self
.
lr
=
lr
def
softmax
(
self
,
X
,
w
):
f
=
np
.
exp
(
X
.
dot
(
w
))
s
=
f
.
sum
(
axis
=
1
).
reshape
(
-
1
,
1
)
return
f
/
s
# 用随机梯度下降法训练
def
fit
(
self
,
X
,
y
):
y_proba
=
one_hot
(
y
)
m
,
n
=
X
.
shape
k
=
len
(
set
(
y
))
w
=
np
.
zeros
((
n
,
k
))
for
_
in
range
(
self
.
epochs
):
for
i
in
range
(
m
):
idx
=
np
.
random
.
randint
(
0
,
m
)
x
=
X
[
idx
].
reshape
(
1
,
-
1
)
gradient
=
x
.
T
.
dot
(
self
.
softmax
(
x
,
w
)
-
y_proba
[
idx
])
w
-=
self
.
lr
*
gradient
self
.
w
=
w
# 预测值(概率形式)
def
predict_proba
(
self
,
X
):
return
self
.
softmax
(
X
,
self
.
w
)
# 预测值(标签)
def
predict
(
self
,
X
):
return
self
.
predict_proba
(
X
).
argmax
(
axis
=
1
)
\ No newline at end of file
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑!
取消
想要评论请
注册
或
登录