Question

我正在尝试对所有Logistic回归应用一种：

我正在使用一种vs全部方法（class1 vs class2 + class3，c2 vs c1 + c3，c3 vs c1 + c2）来计算三种情况的权重w1，w2，w3：

   for n1 in range(0,50000):

        s1 = np.dot(dt, w1)
        p1 = (1 / (1 + np.exp(-s1)))
        gr1 = (np.dot(dt.T, p1-c1))
        gr1 /= N
        w1 -= 0.01 * gr1

        if n1 % 10000 == 0 and n1!=0:
          loss1 = np.sum( np.log(1 + np.exp(s1))-p1*s1 )
          print('loss1',loss1)

dt是我的特色，

w1，w2，w3初始化为w1 = np.zeros（（5,1）），

c1=np.vstack((np.ones(40),np.zeros(40),np.zeros(40)))
c2=np.vstack((np.zeros(40),np.ones(40),np.zeros(40)))
c3=np.vstack((np.zeros(40),np.zeros(40),np.ones(40)))

Answer 1

所以。虹膜数据集并非在所有集合中都具有完美的线性可分离性。因此，我们使用线性分类器（例如逻辑回归），无法线性分离的部分的损失往往是不可预测的。您可以放一个非常小的学习仇恨和耐心的方法，以免过于草率。将您的数据标准化为0到1也会有帮助。

3类回归分析中的错误

1 个答案: