logistic-regression

    0熱度

    1回答

    我是新來的機器學習和第一次嘗試Sklearn。我有兩個數據框,一個用於訓練邏輯迴歸模型(具有10倍交叉驗證)的數據和另一個用於使用該模型預測類('0,1')的數據。 這裏是我到目前爲止的代碼使用教程我在Sklearn文檔和Web上發現的位: import pandas as pd import numpy as np import sklearn from sklearn.linear_mo

    0熱度

    1回答

    我是新來的Python和一般編程。我正在上一堂關於Logistic迴歸的課。下面的代碼是正確的,情節比較不錯的(不是很漂亮,但是OK): # ------ LOGISTIC REGRESSION ------ # # --- Importing the Libraries --- # import numpy as np import matplotlib.pyplot as plt

    0熱度

    1回答

    我想在python中使用 numpy實現向量化邏輯迴歸。我的成本函數(CF)似乎工作正常。但是梯度計算有一個 問題。它返回3x100陣列,而它的 應該返回3x1。我認爲(hypo-y)部分存在問題。 def sigmoid(a): return 1/(1+np.exp(-a)) def CF(theta,X,y): m=len(y) hypo=sigmoid(n

    0熱度

    1回答

    試圖使虹膜數據集適用邏輯迴歸模型,但它不合適。代碼有什麼問題。謝謝。 # Dependencies used: numpy, matpotlib.pyplot, csv # dataset: Iris # Binary classification using gradient descent # python 3.5 # input data matrix = x(99 X 1) # i

    0熱度

    1回答

    我知道C#的CNTK是一種新的,但我希望有人能幫助我。我folling這個迴歸例子在Python: https://github.com/Microsoft/CNTK/blob/master/Tutorials/CNTK_101_LogisticRegression.ipynb 運行此C#示例: https://github.com/Microsoft/CNTK/blob/master/Examp

    0熱度

    1回答

    我有一個非常簡單的邏輯迴歸tensorflow程序是這樣的: #!/usr/bin/env python3 import tensorflow as tf import numpy as np import pandas as pd import matplotlib.pyplot as plt from sklearn import model_selection import sy

    0熱度

    1回答

    我想估計在醫學數據邏輯迴歸中使用的S形/ logistic的最佳參數(最後提到:斜率和截距)。下面是我做了什麼蟒蛇: import numpy as np from sklearn import preprocessing, svm, neighbors from sklearn.linear_model import LinearRegression, LogisticRegression

    1熱度

    1回答

    我的理解是Softmax迴歸是Logistic迴歸的一般化,以支持多個類。 Softmax迴歸模型首先計算每個類的分數,然後通過將softmax函數應用於分數來估計每個類的概率。 每個班級都有自己的專用參數向量 我的問題:爲什麼我們不能用Logistic迴歸分類到多個類的更簡單的方法一樣,如果概率是0到0.3,然後A類; 0.3至0.6然後B類:0.6至0.9然後C類等 爲什麼單獨的係數矢量總是需

    0熱度

    2回答

    我想運行R中逐步迴歸來選擇最適合的模式,我的代碼在這裏附: full.modelfixed <- glm(died_ed ~ age_1 + gender + race + insurance + injury + ais + blunt_pen + comorbid + iss +min_dist + pop_dens_new + age_mdn + male_pct +

    0熱度

    1回答

    我想用這樣的數據集(與40K的意見),以評估在分對數迴歸變量的邊際效應: d1<- structure(list(dummy.eleito = c(1, 0, 0, 0, 0, 1, 1, 1, 1, 0), dummy.tratamento = c(1, 1, 0, 0, 0, 0, 0, 0, 0, 0), Escolaridade = c("SUPERIO