logistic-regression

    0热度

    1回答

    我是新来的机器学习和第一次尝试Sklearn。我有两个数据框,一个用于训练逻辑回归模型(具有10倍交叉验证)的数据和另一个用于使用该模型预测类('0,1')的数据。 这里是我到目前为止的代码使用教程我在Sklearn文档和Web上发现的位: import pandas as pd import numpy as np import sklearn from sklearn.linear_mo

    0热度

    1回答

    我是新来的Python和一般编程。我正在上一堂关于Logistic回归的课。下面的代码是正确的,情节比较不错的(不是很漂亮,但是OK): # ------ LOGISTIC REGRESSION ------ # # --- Importing the Libraries --- # import numpy as np import matplotlib.pyplot as plt

    0热度

    1回答

    我想在python中使用 numpy实现向量化逻辑回归。我的成本函数(CF)似乎工作正常。但是梯度计算有一个 问题。它返回3x100阵列,而它的 应该返回3x1。我认为(hypo-y)部分存在问题。 def sigmoid(a): return 1/(1+np.exp(-a)) def CF(theta,X,y): m=len(y) hypo=sigmoid(n

    0热度

    1回答

    试图使虹膜数据集适用逻辑回归模型,但它不合适。代码有什么问题。谢谢。 # 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热度

    1回答

    我知道C#的CNTK是一种新的,但我希望有人能帮助我。我folling这个回归例子在Python: https://github.com/Microsoft/CNTK/blob/master/Tutorials/CNTK_101_LogisticRegression.ipynb 运行此C#示例: https://github.com/Microsoft/CNTK/blob/master/Examp

    0热度

    1回答

    我有一个非常简单的逻辑回归tensorflow程序是这样的: #!/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热度

    1回答

    我想估计在医学数据逻辑回归中使用的S形/ logistic的最佳参数(最后提到:斜率和截距)。下面是我做了什么蟒蛇: import numpy as np from sklearn import preprocessing, svm, neighbors from sklearn.linear_model import LinearRegression, LogisticRegression

    1热度

    1回答

    我的理解是Softmax回归是Logistic回归的一般化,以支持多个类。 Softmax回归模型首先计算每个类的分数,然后通过将softmax函数应用于分数来估计每个类的概率。 每个班级都有自己的专用参数向量 我的问题:为什么我们不能用Logistic回归分类到多个类的更简单的方法一样,如果概率是0到0.3,然后A类; 0.3至0.6然后B类:0.6至0.9然后C类等 为什么单独的系数矢量总是需

    0热度

    2回答

    我想运行R中逐步回归来选择最适合的模式,我的代码在这里附: 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热度

    1回答

    我想用这样的数据集(与40K的意见),以评估在分对数回归变量的边际效应: 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