四川网站网站建设,使页面具有动态效果的网站建设技术,嘉兴中小企业网站制作,中小型企业网络建设方案深度学习之pytorch实现逻辑斯蒂回归 解决的问题数学公式logiatic函数损失值 代码与线性回归代码的区别数据损失值构造回归的函数 结果分析 解决的问题 logistic 适用于分类问题#xff0c;这里案例( y为0和1 #xff0c;0和 1 分别代表一类#xff09; 于解决二分类#xf… 深度学习之pytorch实现逻辑斯蒂回归 解决的问题数学公式logiatic函数损失值 代码与线性回归代码的区别数据损失值构造回归的函数 结果分析 解决的问题 logistic 适用于分类问题这里案例( y为0和1 0和 1 分别代表一类 于解决二分类0 or 1问题的机器学习方法用于估计某种事物的可能性 数学公式
logiatic函数 损失值 代码 也是用ywxb的模型来举例之前的输出y属于实数集合R现在我们要输出一个一个概率也就是在区间[0,1]之间。我们就想到需要找出一个映射把我们之前的输出集合R映射到区间[0,1]他就是函数Sigma这样我们就轻松的实现了实数集合到0~1之间的映射 import torch
import torch.nn.functional as F
import numpy as np
import matplotlib.pyplot as pltx_data torch.Tensor([[1.0],[2.0],[3.0]])
y_data torch.Tensor([[0],[0],[1]])class LinearModel(torch.nn.Module):def __init__(self):super(LinearModel,self).__init__()self.linear torch.nn.Linear(1,1)def forward(self, x):y_pred F.sigmoid(self.linear(x))#这里需要把原来的输出y传给sigmoid即实现的区间的映射return y_predmodel LinearModel()criterion torch.nn.BCELoss(size_averageFalse)
optimizer torch.optim.SGD(model.parameters(),lr0.01)for epoch in range(1000):y_pred model(x_data)loss criterion(y_pred,y_data)print(epoch,loss.item())optimizer.zero_grad()loss.backward()optimizer.step()x np.linspace(0,10,200)
x_t torch.Tensor(x).view(200,1)#将数据变成一个二百行一列的矩阵
y_t model(x_t)
y y_t.data.numpy()plt.plot(x,y)
plt.plot([0,10],[0.5,0.5],cr)
plt.ylabel(probablility of pass)
plt.xlabel(hours)
plt.grid()#画出网格
plt.show()
与线性回归代码的区别
数据
x_data torch.Tensor([[1.0],[2.0],[3.0]])
y_data torch.Tensor([[0],[0],[1]])#线性回归
#x_data torch.Tensor([[1.0],[2.0],[3.0]])
#y_data torch.Tensor([[2.0],[4.0],[6.0]])
损失值
criterion torch.nn.BCELoss(size_averageFalse)
#线性回归
#criterion torch.nn.MSELoss(size_averageFalse)构造回归的函数
import torch.nn.functional as F
y_pred F.sigmoid(self.linear(x))#线性回归
#y_pred self.linear(x)结果分析 部分结果数据 964 1.1182234287261963 965 1.1176648139953613 966 1.1171066761016846 967 1.1165491342544556 968 1.1159923076629639 969 1.1154361963272095 970 1.1148808002471924 971 1.1143261194229126 972 1.113771915435791 973 1.1132186651229858 974 1.1126658916473389 975 1.1121137142181396 976 1.1115622520446777 977 1.1110115051269531 978 1.1104612350463867 979 1.1099116802215576 980 1.1093629598617554 981 1.1088148355484009 982 1.1082673072814941 983 1.1077203750610352 984 1.1071741580963135 985 1.106628656387329 986 1.106083631515503 987 1.105539321899414 988 1.104995846748352 989 1.1044528484344482 990 1.1039104461669922 991 1.1033687591552734 992 1.1028276681900024 993 1.1022872924804688 994 1.1017472743988037 995 1.101208209991455 996 1.1006698608398438 997 1.1001317501068115 998 1.0995947122573853 999 1.0990580320358276
