逻辑回归的向量化实现样例
From Ufldl
Line 16: | Line 16: | ||
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行向量,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。) | 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行向量,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: | ||
Line 72: | Line 73: | ||
- | + | ==中英文对照== | |
+ | |||
+ | :逻辑回归 Logistic Regression | ||
+ | :批量梯度上升法 batch gradient ascent | ||
+ | :截距 intercept term | ||
+ | :对数似然函数 the log likelihood | ||
+ | :导函数 derivative | ||
+ | :梯度 gradient | ||
==中文译者== | ==中文译者== | ||
- | 林锋(xlfg@yeah. | + | 林锋(xlfg@yeah.net),谭晓阳(x.tan@nuaa.edu.cn),邓亚峰(dengyafeng@gmail.com) |
+ | |||
+ | |||
+ | {{矢量化编程实现}} | ||
+ | |||
+ | |||
+ | {{Languages|Logistic_Regression_Vectorization_Example|English}} |