标签：order one close 成绩 plot fprintf function tin off
本次Octave仿真解决的问题是，根据两门入学考试的成绩来决定学生是否被录取，我们学习的训练集是包含100名学生成绩及其录取结果的数据，需要设计算法来学习该数据集，并且对新给出的学生成绩进行录取结果预测。
首先，我们读取并绘制training set数据集：
%% Initialization
clear ; close all; clc
%% Load Data
% The first two columns contains the exam scores and the third column
% contains the label.
data = load(‘ex2data1.txt‘);
X = data(:, [1, 2]); y = data(:, 3);
%% ==================== Part 1: Plotting ====================
% We start the exercise by first plotting the data to understand the
% the problem we are working with.
fprintf([‘Plotting data with + indicating (y = 1) examples and o ‘ ...
‘indicating (y = 0) examples.\n‘]);
plotData(X, y);
% Put some labels
hold on;
% Labels and Legend
xlabel(‘Exam 1 score‘)
ylabel(‘Exam 2 score‘)
% Specified in plot order
legend(‘Admitted‘, ‘Not admitted‘)
hold off;
然后，我们来学习训练集，直接使用我们逻辑回归算法原理分析中梯度下降算法的结果：
function [theta, J_history] = gredientDescent(X,y,alpha,iteration);
[m,n]=size(X);
theta = zeros(n,1);
for(i= 1:iteration)
[J,grad] = costFunction(theta,X,y);
J_history(i) = J;
theta = theta-X‘*(sigmoid(X*theta)-y)*alpha/m;
endfor
endfunction
function [J, grad] = costFunction(theta, X, y)
m = length(y);
J = 0;
grad = zeros(size(theta));
tmp=ones(m,1);
h = sigmoid(X*theta);
h1=log(h);
h2=log(tmp-h);
y2=tmp-y;
J=(y‘*h1+y2‘*h2)/(-m);
grad=(X‘*(h-y))/m;
end
计算后得出的theta值为：
绘出的decision boundary几近完美，但唯一的问题是，貌似梯度下降算法的收敛速度相当之慢，我选择了参数alpha=0.5,iteration=500000，才收敛到此程度。
而对于内建函数fminunc,迭代4000次已可以达到相近的水平。
Logistic Algorithm分类算法的Octave仿真
标签：order one close 成绩 plot fprintf function tin off
原文地址：http://www.cnblogs.com/rhyswang/p/6853657.html
