逻辑回归的向量化实现样例
From Ufldl
| Line 11: | Line 11: | ||
<math>\nabla _{\theta }l\left( \theta \right) =\sum _{i=1}^{m}\left( y^{\left( i\right) }-h_{\theta }\left( x^{\left( i\right) }\right) \right) x_{j}^{\left( i\right) }</math> | <math>\nabla _{\theta }l\left( \theta \right) =\sum _{i=1}^{m}\left( y^{\left( i\right) }-h_{\theta }\left( x^{\left( i\right) }\right) \right) x_{j}^{\left( i\right) }</math> | ||
| - | 我们用Matlab/Octave风格变量x表示输入数据构成的样本矩阵，x(:,i)代表第 i个训练样本<math>x^{\left( i\right) }</math>，x(j,i)就代表<math>x_{j}^{\left( i\right) }</math>（译者注：第i个训练样本向量的第j个元素）。同样，用Matlab/ | + | 我们用Matlab/Octave风格变量x表示输入数据构成的样本矩阵，x(:,i)代表第 i个训练样本<math>x^{\left( i\right) }</math>，x(j,i)就代表<math>x_{j}^{\left( i\right) }</math>（译者注：第i个训练样本向量的第j个元素）。同样，用Matlab/Octave风格变量y表示由训练样本集合的全体类别标号所构成的向量，则该向量的第i个元素y(i)就代表上式中的<math>y^{\left(i\right) }\in \left\{ 0,1\right\} </math>。（注意这里跟公开课程视频及CS229的符号规范不同，矩阵x按列而不是按行存放输入训练样本，同样，<math>y\in R^{1\times m}</math>是行向量而不是列向量。） |
以下是梯度运算代码的一种实现，非常恐怖，速度极慢： | 以下是梯度运算代码的一种实现，非常恐怖，速度极慢： | ||
