Logistic回归预测函数
在上一教程中,我们编写了一个优化函数,该函数将输出学习到的w和b参数。现在我们可以使用w和b来预测数据集X的标签。因此,在本教程中,我们将实现Forecast()函数。计算预测将分为两个步骤:
编码预测函数:
因此,我们将实现一个预测函数,但首先,让我们看看它的输入和输出是什么:
参数:
W-权重,大小的NumPy数组(行*COLS*通道,1);B-偏置,标量;X-大小的数据(行*COLS*通道,示例数)。
返回:
Y_Prediction-包含X中示例的所有预测(0/1)的NumPy数组(向量)。
以下是代码:
如果我们对以前的值“Forecate(w,b,X)”运行新函数,我们应该会收到以下结果:
predictions = [[1. 1. 0.]]
根据我们的结果,我们可以说我们预测了两只猫和一只狗。但是因为输入的不是真实的图像,而只是简单的随机测试数字,所以我们的预测也没有任何意义。
完整教程代码:
结论:
至此,现在我们知道如何准备我们的训练数据,如何迭代地优化损失以学习w和b参数(计算成本及其梯度,使用梯度下降来更新参数)。在本教程中,我们学习了(w,b)预测给定示例集的标签。因此,在下一个教程中,我们将把所有功能合并到一个模型中,并且我们将训练它来预测猫与狗。
最初发表于https://pylessons.com/Logistic-Regression-part7https://pylessons.com/Logistic-Regression-part7
原创文章,作者:fendouai,如若转载,请注明出处:https://panchuang.net/2021/07/20/logistic%e5%9b%9e%e5%bd%92%e9%a2%84%e6%b5%8b%e5%87%bd%e6%95%b0/