python - Python Logistic回归产生错误的系数

我正在尝试使用scikit-learn的LogisticRegression模型来解决Coursera上的Andrew Ng的机器学习课程中的练习2。但是我得到的结果是错误的：

1）结果系数与答案不符：

我从模型中得到什么



我应该根据答案得到什么

[-25.16，0.21，0.20]

您可以在图（错误的图表）上看到，凭直觉，决策边界似乎比决策边界低了一点。

2）图结果似乎是错误的

如您所见，决策边界在下面

Logistic回归


回答



我的代码：

% matplotlib notebook



# IMPORT DATA

ex2_folder = 'machine-learning-ex2/ex2'
input_1 = pd.read_csv(folder + ex2_folder +'/ex2data1.txt', header = None)
X = input_1[[0,1]]
y = input_1[2]


# IMPORT AND FIT MODEL

from sklearn.linear_model  import LogisticRegression
model = LogisticRegression(fit_intercept = True)
model.fit(X,y)
print('Intercept (Theta 0: {}). Coefficients: {}'.format(model.intercept_, model.coef_))



# CALCULATE GRID
n = 5

xx1, xx2 = np.mgrid[25:101:n, 25:101:n]
grid = np.c_[xx1.ravel(), xx2.ravel()]
probs = model.predict_proba(grid)[:, 1]
probs = probs.reshape(xx1.shape)


# PLOTTING

f = plt.figure()
ax = plt.gca()


for outcome in [0,1]:
    xo = 'yo' if  outcome == 0 else 'k+'
    selection = y == outcome
    plt.plot(X.loc[selection, 0],X.loc[selection,1],xo, mec = 'k')
plt.xlim([25,100])
plt.ylim([25,100])

plt.xlabel('Exam 1 Score')
plt.ylabel('Exam 2 Score')
plt.title('Exam 1 & 2 and admission outcome')

contour = ax.contourf(xx1,xx2, probs, 100, cmap="RdBu",
                      vmin=0, vmax=1)
ax_c = f.colorbar(contour)
ax_c.set_label("$P(y = 1)$")
ax_c.set_ticks([0, .25, .5, .75, 1])

plt.contour(xx1, xx2, probs, [0.5], linewidths=1, colors='b', alpha = 0.3);

plt.plot(xx1[probs > 0.5], xx2[probs > 0.5],'.b', alpha = 0.3)

链接

DataFile in txt

PDF Tasks and Solutions in Octave

最佳答案

为了获得相同的结果，您需要创建相同的测试条件。

明显的区别是迭代次数。 Sklearn LogisticRegression分类器的默认迭代计数为100，而Andrew NG的示例代码可运行400次迭代。当然，那将给您与Nguyen的课程不同的结果。

我现在不确定Nguyen在练习中使用了哪个成本函数，但是我很确定它是交叉熵，而不是Lcc是LogisticRecression分类器中scikit learn分类器的默认函数。

最后一点，在实现更高级别的解决方案（scikitlearn / tensorflow / keras）之前，您应该首先尝试以纯python实现它们，以了解它们的工作原理。尝试制作更高级的软件包为您工作会更容易（更有趣）。

关于python - Python Logistic回归产生错误的系数，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/52379210/