Coursera-吴恩达-机器学习-第三周-编程作业: Logistic Regression

本次文章内容：

Coursera吴恩达机器学习课程，第三周编程作业。编程语言是Matlab。

学习算法分两部分进行理解，第一部分是对算法结构进行口头综述，第二部分是代码。

0 Introduction

本作业中，将执行逻辑回归并将其应用于两个不同的数据集。一个是线性可分数据集，另一个是非线性的数据集，降级引入正则化。

1 Logistic Regression

part 1 algorithm 

Part 0 Initialization & Load Data ，常规操作初始化并加载数据。

Part 1: Plotting ，数据可视化，将data拆分成X和y,并绘出图像。

Part 2: Compute Cost and Gradient  ，计算Cost 和Gradient。

Part 3: Optimizing using fminunc  

           使用part2部分的值，带入 fminunc 函数返回最优解（cost和theta），并在图像中画出DecisionBoundary曲线。

Part 4: Predict and Accuracies

           根据得出的theta值，计算训练集上的精度accuracy。

           p = predict(theta, X)得出的布尔值，mean(A)返回A中元素的平均值。 从而预测精度。

part 2 code 

略

2 Regularized logistic regression

part 1 algorithm 

Part 0 Initialization & Load Data ，常规操作初始化并加载数据。

Part 1: Regularized Logistic Regression

           当数据集不是 linearly separable时，需添加polynomial features to our data matrix 。

           先使用mapFeature 函数得到polynomial features，注意，这个函数已经添加了intercept项 ，即X0项，此处注意维度。

           再使用costFunctionReg函数，计算Compute and display initial cost and gradient for regularized logistic regression

Part 2: Regularization and Accuracies

           将costFunctionReg函数带入 fminunc 函数，返回最优解（cost和theta）计算训练集上的精度accuracy。

           这一部分同上。

part 2 code 

略