ML：基于自定義數(shù)據(jù)集利用Logistic、梯度下降算法GD、LoR邏輯回歸、Perceptron感知器、支持向量機(jī)(SVM_Linear、SVM_Rbf)、LDA線性判別分析算法進(jìn)行二分類預(yù)測(cè)(決策邊界可視化)

?

?

?

目錄

基于自定義數(shù)據(jù)集利用Logistic、梯度下降算法GD、LoR邏輯回歸、Perceptron感知器、支持向量機(jī)(SVM_Linear、SVM_Rbf)、LDA線性判別分析算法進(jìn)行二分類預(yù)測(cè)(決策邊界可視化)

設(shè)計(jì)思路

輸出結(jié)果

核心代碼

---

?

?

相關(guān)文章
ML：基于自定義數(shù)據(jù)集利用Logistic、梯度下降算法GD、LoR邏輯回歸、Perceptron感知器、SVM支持向量機(jī)、LDA線性判別分析算法進(jìn)行二分類預(yù)測(cè)(決策邊界可視化)
ML：基于自定義數(shù)據(jù)集利用Logistic、梯度下降算法GD、LoR邏輯回歸、Perceptron感知器、SVM支持向量機(jī)、LDA線性判別分析算法進(jìn)行二分類預(yù)測(cè)(決策邊界可視化)實(shí)現(xiàn)

基于自定義數(shù)據(jù)集利用Logistic、梯度下降算法GD、LoR邏輯回歸、Perceptron感知器、支持向量機(jī)(SVM_Linear、SVM_Rbf)、LDA線性判別分析算法進(jìn)行二分類預(yù)測(cè)(決策邊界可視化)

設(shè)計(jì)思路

?

?

輸出結(jié)果

w_target.shape: (3,) [ 1.17881511 -5.13265596 -6.55556511] Pre_Logistic_function <class 'function'> Product_x_function [1. 0.10262954 0.43893794] data_x (300, 3) [[ 1. -0.15378708 0.9615284 ][ 1. 0.36965948 -0.0381362 ][ 1. -0.21576496 -0.31364397][ 1. 0.45809941 -0.12285551][ 1. -0.88064421 -0.20391149]]

?

核心代碼

def gradient_descent(data_x, data_y, w_h=None, eta=1.0, max_iterations=10000, epsilon=0.001):if w_h == None:w_h = np.array([0.0 for i in range(data_x.shape[1])])w_h_i = [np.copy(w_h)] for i in range(max_iterations):subset_indices = range(data_x.shape[0])grad_E_in = np.mean(np.tile(- data_y[subset_indices] /( 1.0 + np.exp(data_y[subset_indices] * w_h.dot(data_x[subset_indices].T)) ),(data_x.shape[1], 1)).T * data_x[subset_indices], axis=0)w_h -= eta * grad_E_inw_h_i.append(np.copy(w_h))if np.linalg.norm(grad_E_in) <= np.linalg.norm(w_h) * epsilon:breakreturn np.array(w_h_i)LoR = linear_model.LogisticRegression() LoR.fit(data_x,data_y) y_train=LoR.predict(data_x)LoRpp_function = lambda z: LoR.predict_proba(z)[:,0] BG_Grid_BaseLoR = apply_to_fill(z_grid, LoRpp_function)full_N_fig = plot_dataset_and_hypothesis(3,data_x, data_y, xy_1, xy_2, BG_Grid_BaseLoR,title=r'LoR: Hypothesis, $N={:}$'.format(N))SVM_Linear = svm.SVC(kernel='linear') SVM_Linear.fit(data_x,data_y)SVM_LinearPre_function = lambda z: SVM_Linear.predict(z) BG_Grid_BaseSVM_Linear = apply_to_fill(z_grid, SVM_LinearPre_function)full_N_fig = plot_dataset_and_hypothesis(5,data_x, data_y, xy_1, xy_2, BG_Grid_BaseSVM_Linear, title=r'SVM_Linear: Hypothesis, $N={:}$'.format(N))

?

?

?

?

?

?

?

?

?

?

?

?

?

?

《新程序員》：云原生和全面數(shù)字化實(shí)踐50位技術(shù)專家共同創(chuàng)作，文字、視頻、音頻交互閱讀

總結(jié)

以上是生活随笔為你收集整理的ML：基于自定义数据集利用Logistic、梯度下降算法GD、LoR逻辑回归、Perceptron感知器、SVM支持向量机、LDA线性判别分析算法进行二分类预测(决策边界可视化)的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。