建设网站包括哪些,什么网站的新闻做参考文献,如何建设网站视频,购物网站服务器带宽本次练习的任务是使用逻辑归回和神经网络进行识别手写数字#xff08;form 0 to 9, 自动手写数字问题已经应用非常广泛#xff0c;比如邮编识别。
使用逻辑回归进行多分类分类
练习2 中的logistic 回归实现了二分类分类问题#xff0c;现在将进行多分类#xff0c;one vs…本次练习的任务是使用逻辑归回和神经网络进行识别手写数字form 0 to 9, 自动手写数字问题已经应用非常广泛比如邮编识别。
使用逻辑回归进行多分类分类
练习2 中的logistic 回归实现了二分类分类问题现在将进行多分类one vs all。
加载数据集
这次数据时MATLAB 的格式使用Scipy.io.loadmat 进行加载。Scipy是一个用于数学、科学、工程领域的常用软件包可以处理插值、积分、优化、图像处理、常微分方程数值解的求解、信号处理等问题。它可用于计算Numpy矩阵使Numpy和Scipy协同工作。
import numpy as np
import scipy.io
from scipy.io import loadmat
import matplotlib.pyplot as plt
import scipy.optimize as optdata scipy.io.loadmat(ex3data1.mat)
X data[X]
y data[y]数据集共有5000个样本 每个样本是20*20的灰度图像。
visuazing the data
随机展示100个图像
def display_data(sample_images):fig, ax_array plt.subplots(nrows10, ncols10, figsize(6, 4))for row in range(10):for column in range(10):ax_array[row, column].matshow(sample_images[10 * row column].reshape((20, 20)).T, cmapgray)ax_array[row, column].axis(off)plt.show()returnrand_samples np.random.permutation(X.shape[0]) # 打乱顺序
sample_images X[rand_samples[0:100], :]
display_data(sample_images)Vectorizing Logistic Regression
看一下logistic回归的代价函数 其中 进行向量化运算
def sigmoid(z):return 1 / (1 np.exp(-z))def regularized_cost(theta, X, y, l):thetaReg theta[1:]first (-y*np.log(sigmoid(X.dot(theta)))) (y-1)*np.log(1-sigmoid(X.dot(theta)))reg (thetaReg.dot(thetaReg))*l / (2*len(X))return np.mean(first) reggradient
def regularized_gradient(theta, X, y, l):thetaReg theta[1:]first (1 / len(X)) * X.T (sigmoid(X.dot(theta)) - y)reg np.concatenate([np.array([0]), (l / len(X)) * thetaReg])return first regone-vs-all Classification
这个任务有10个类logistics是二分类算法用在多分类上原理就是把所有的数据分为“某类”和“其它类”
from scipy.optimize import minimizedef one_vs_all(X, y, l, K):all_theta np.zeros((K, X.shape[1])) # (10, 401)for i in range(1, K1):theta np.zeros(X.shape[1])y_i np.array([1 if label i else 0 for label in y])ret minimize(funregularized_cost, x0theta, args(X, y_i, l), methodTNC,jacregularized_gradient, options{disp: True})all_theta[i-1,:] ret.x return all_theta向量化操作检错经验的机器学习工程师通常会检验矩阵的维度来确认操作是否正确。 predict
def predict_one_vs_all(all_theta, X):m np.size(X, 0)# You need to return the following variables correctly# Add ones to the X data matrixX np.c_[np.ones((m, 1)), X]hypothesis sigmoid(X.dot(all_theta.T)pred np.argmax(hypothesis), 1) 1return pred这里的hypothesis.shape [5000 * 10], 对应5000个样本每个样本对应10个标签的概率。取 概率最大的的值作为最终预测结果。pred 是最终的5000个样本预测数组。
pred predict_one_vs_all(all_theta, X)
print(Training Set Accuracy: %.2f%% % (np.mean(pred y) * 100))Neural Networks
这里只需要验证所给权重数据也就是theta,查看分类准确性。
## Part 2: Loading Pameters
print(Loading Saved Neural Network Parameters ...)# Load the weights into variables Theta1 and Theta2
weight scipy.io.loadmat(ex3weights.mat)
Theta1, Theta2 weight[Theta1], weight[Theta2]predict
def load_weight(path):data loadmat(path)return data[Theta1], data[Theta2]theta1, theta2 load_weight(ex3weights.mat)
theta1.shape, theta2.shapeX np.insert(X, 0, valuesnp.ones(X.shape[0]), axis1) # intercept
#
#正向传播
a1 X
z2 a1.dot(theta1.T)
z2.shape
z2 np.insert(z2, 0, 1, axis1)
a2 sigmoid(z2)
a2.shape
z3 a2.dot(theta2.T)
z3.shape
a3 sigmoid(z3)
a3.shapey_pred np.argmax(a3, axis1) 1
accuracy np.mean(y_pred y)
print (accuracy {0}%.format(accuracy * 100)) # accuracy 97.52%
