isin（）はリストを受け入れ、列の要素がリストにあるかどうかを判断します。
fig、ax = plt.subplots（figsize =（12,8））
#figは描画ウィンドウ（図）を表し、axはこの描画ウィンドウの座標系（軸）を表し、通常は引き続きaxを操作します。
凡例（）の主な機能は、グラフ上の凡例をマークすることです。これは、各曲線のテキスト表示を示すために使用されます。凡例を左、右、下などに制御することもできます。
実際の使用では、legend（）には、凡例の位置を制御するlocパラメータがあります。たとえば、plot.legend（loc = 2）の場合、この位置は4つのアイテムの2番目のアイテム、つまり左上隅です。locは4つの数値1、2、3、4です。
元のリンク：
http : //30daydo.com/article/215
転載、出典を明記してください
fmin_tnc関数：
パラメータ：
func：最適化された目的関数
x0：初期値
fprime：最適化関数funcの勾配関数を提供します。それ以外の場合、最適化関数funcは関数値と勾配を返す必要があります。または、approx_grad = Trueを
設定するapprox_grad：Trueに設定すると、近似勾配勾配
args：タプル、これは最適化関数に渡されるパラメーターです。
戻り値：
x：配列、返された最適化問題のターゲット値
nfeval：整数、関数評価の数。
最適化が実行されると、ターゲット最適化関数が呼び出されるたびに、機能評価も。反復中に複数の関数評価があります。このパラメーターは反復数と同じではありませんが、多くの場合、反復数より大きくなります。
rc：int、戻りコード、以下を参照
#np linspace関数：最初のパラメーターの開始値、2番目のパラメーターの終了値（含まれていません）、3番目のパラメーターのステップ（各要素間の間隔）
データの
インポート：numpyをnp
として
インポートpandas をpdとしてインポートmatplotlib.pyplotをpltとしてインポート
path = 'd：/ex2data1.txt'
data = pd.read_csv（path、header = None、names = ['Exam 1'、 'Exam 2'、 'Admitted']）
data.head（）
#datadata分组
positive = data [data ['Admitted']。isin（[1]）]
negative = data [data ['Admitted']。isin（[0]）]
fig、ax = plt.subplots（figsize =（ 12,8））
ax.scatter（positive ['Exam 1']、positive ['Exam 2']、s = 50、c = 'b'、marler = 'o'、label = 'Admitted'）
ax.scatter （negative ['Exam 1']、negative ['Exam 2']、s = 50、c = 'r'、marker = 'x'、label = 'Not Admitted'）
ax.legend（）
ax.set_xlabel（ '試験1スコア '）
ax.set_ylabel（'試験2スコア '）
plt.show（）
＃シグモイド関数を編集：
def sigmoid（z）
return 1 /（1 + np.exp（-z））
＃编辑代価函数J（theta）
def cost（theta、X、y）
theta = np.matrix（theta）
X = np.matrix（X）
y = np.matrix（y）
first = np.multiply（-y、 np.log（sigmoid（X * theta.T）））
second = np.multiply（（1-y）、log（1-sigmoid（X * theta.T）））
return np.sum（first-second）/ （len（X））
＃初始化X、y、theta
data.insert（0、 'Ones'、1）
cols = data.shape [1]
X = data.iloc [：、：-1]
y = data.iloc [：、cols-1 ：cols]
theta = np.zeros（3）
X = np.array（X.values）
y = np.array（y.values）
＃行列の次元をチェックX.shape、y.shape、theta.shape
cost（theta、X、y）
＃勾配計算関数を実現し、theta
def gradient（theta、X、y）の更新はありません：
theta = np.matrix（theta）
X = np.matrix（X.values）
y = np。Matrix（y.values）
parameters = int（theta.ravel（）.shape [1]）
grad = np.zeros（parameters）
error = sigmoid（X * theta.T）-y
for i in range（parameters）：
term = np.multiply（error、 X [：、i]）
grad [i] = np.sum（term）/ len（X）
return grad
#pythonライブラリを呼び出した後、反復回数とステップサイズの関数を自動的に見つけることができ、関数は自動的に最適解を解決します。
import scipy.optimize as opt
result = opt.fmin_tnc（func = cost、x0 = theta、fprime = gradient、args =（X、y））
result
＃查看结果
cost（result [0]、X、y）
plotting_x1 = np.linspace（30,100,100）
plotting_h1 =（-result [0,0]-result [0] [1] * plotting_x1）/ result [0] [2]
fig、ax = plt.subplots（figsize =（12、 8））
ax.plot（plotting_x1、plotting_h1、 'y'、label = 'Prediction'）
ax.scatter（positive ['Exam 1']、positive ['Exam 2']、s = 50、c = 'b' 、marker = 'o'、label = 'Admitted'）
ax.scatter（negative ['Exam 1']、negative ['Exam 2']、s = 50、c = 'r'、marker = 'x'、label = '認められない'）
ax.legend（）
ax.set_xlabel（ '試験1スコア'）
ax.set_ylabel（ '試験2スコア'）
plt.show（）
def hfunc1（theta、X）：
return sigmoid（np.dot（theta.T、X））
hfunc1（result [0]、[1,45,85]）
#Define 予測関数
def
predict （シータ、X）：確率=シグモイド（X *シータT）
戻り値[x> = 0.5の場合は1、そうでなければxの確率は0]
＃統計予測の正解率：theta_min = np.matrix（result [0]）
予測=予測（theta_min、X）
正解= [1 if（（a1とb1）または（a == 0）および（b == 0））それ以外の場合はzip（predictions、y）で（a、b）の場合0]
精度=（sum（map（int、correct））％len（correct） ））
preint（ 'accuracy = {0}％'。format（accuracy））
