标签:总结 吴恩达 函数 自定义 分类 矩阵 使用 私人 代价
octave教程和MATLAB类似。
octave:11> PS1('>> ')更改提示符
格式化输出:
disp(sprintf('6 decimals: %0.6f', a))
对矩阵A扩充一列
A = [A, [100; 101; 102]]
矩阵A合并为一列:
A(:)
矩阵求伪逆:https://blog.csdn.net/yinyu19950811/article/details/61420131
pinv(A)
构造10000个随机数,绘制分布图
w=randn(1,10000);
hist(w,50)
加载数据:
load featuresX.dat/mat
whos显示数据。
size(A)计算大小,length计算长度
单位矩阵和逆矩阵
eye(3)
flipud(eye(3))
路径转换:
addpath('xx');
使用矩阵做运算比传统的用循环速度快而且代码短。
分类问题强烈不建议使用回归方式完成。
使用sigmoid回归函数用于分类问题,它实际是一个分类算法。
分类方案中采用的函数考虑线性和非线性的情况:
在使用梯度下降法进行过程中,为了减少可能进行局部最小采用的代价函数变化情况(二分类):
除梯度下降法的其它方案:更有效但是更复杂。
使用Octave运行,自定义好代价函数并让其返回代价函数公式和代价函数每个梯度,自定义options,自定义初始化Theta,使用函数fminunc进行计算。
得到最终的结果。返回了目标theta,达到的最小误差,exitFlag表示成功(Converged to a solution point.)。
在针对大于2分类情况,使用分割,将多分类转化为二分类。如三分类,转化为3个2分类。四分类转化为4个二分类等。
标签:总结,吴恩达,函数,自定义,分类,矩阵,使用,私人,代价 来源: https://www.cnblogs.com/bai2018/p/10802800.html
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。