我正在尝试使用fmin进行逻辑回归,但由于数组的形状不同而出现错误。这是代码。
import numpy as np
import scipy.optimize as sp
data= #an array of dim (188,3)
X=data[:,0:2]
y=data[:,2]
m,n=np.shape(X)
y=y.reshape(m,1)
x=np.c_[np.ones((m,1)),X]
theta=np.zeros((n+1,1))
def hypo(x,theta):
return np.dot(x,theta)
def sigmoid(z):
return 1/(1+np.exp(-z))
def gradient(x,y,theta):#calculating Gradient
m=np.shape(x)[0]
t=hypo(x,theta)
hx=sigmoid(t)
J=-(np.dot(np.transpose(np.log(hx)),y)+np.dot(np.transpose(np.log(1-hx)),(1-y)))/m
grad=np.dot(np.transpose(x),(hx-y))/m
J= J.flatten()
grad=grad.flatten()
return J,grad
def costFunc(x,y,theta):
return gradient(x,y,theta)[0]
def Grad():
return gradient(x,y,theta)[1]
sp.fmin( costFunc, x0=theta, args=(x, y), maxiter=500, full_output=True)
File "<ipython-input-3-31a0d7ca38c8>", line 35, in costFunc
return gradient(x,y,theta)[0]
File "<ipython-input-3-31a0d7ca38c8>", line 25, in gradient
t=hypo(x,theta)
File "<ipython-input-3-31a0d7ca38c8>", line 16, in hypo
return np.dot(x,theta)
ValueError: shapes (3,) and (118,1) not aligned: 3 (dim 0) != 118 (dim 0)
任何形式的帮助将不胜感激
答案 0 :(得分:6)
data= #an array of dim (188,3)
X=data[:,0:2]
y=data[:,2]
m,n=np.shape(X)
y=y.reshape(m,1)
x=np.c_[np.ones((m,1)),X]
theta=np.zeros((n+1,1))
所以在此之后
In [14]: y.shape
Out[14]: (188, 1) # is this (118,1)?
In [15]: x.shape
Out[15]: (188, 3)
In [16]: theta.shape
Out[16]: (3, 1)
此x
和theta
可dotted
- np.dot(x,theta)
,(188,3)与(3,1) - 匹配3&#39。 / p>
但那不是你costFunc
得到的。从错误消息中回溯看起来x
为(3,)
,而theta
为(118,1)
。这显然不能是dotted
。
您需要查看fmin
如何调用您的函数。你有正确的参数吗?例如,costFunc(theta, x, y)
可能是正确的顺序(假设x
中的y
和costFunc
与args=(x,y)
匹配。
fmin
的文档包括:
func : callable func(x,*args) The objective function to be minimized. x0 : ndarray Initial guess. args : tuple, optional Extra arguments passed to func, i.e. ``f(x,*args)``.
看起来fmin
正在提供您的costFunc
3个参数,其大小与(theta, x, y)
相对应,即(3,)
,(118,3)
,{{1} }。这些数字并不匹配,但我认为你明白了。 (118,1)
的第一个参数是consFunc
将变化的参数,您在fmin
中提供的其余参数。