Logistic回归预测函数

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