기본적 질문과 비슷하지만 그래디언트 디센트가있는 선형 회귀의 구현에서 피쳐 스케일링 (각 피쳐 값을 가져 와서 평균을 뺀 다음 표준 편차로 나눕니다)을 사용해야합니다. 끝나면 가중치와 회귀 선을 원래 데이터로 다시 조정하십시오. 저는 하나의 기능과 y- 요격 용어 만 사용하고 있습니다. 가중치를 스케일 된 데이터를 사용하여 얻은 후에는 원래의 스케일되지 않
Matlab에서 코스를 수강하고 있는데 그래디언트 디센트 구현을 수행했지만 잘못된 결과가 나타납니다. 코드 : for iter = 1:num_iters
sumTheta1 = 0;
sumTheta2 = 0;
for s = 1:m
sumTheta1 = theta(1) + theta(2) .* X(s,2) - y(s);
sumTheta2
R에서 확률 적 하강 기울기를 가진 로지스틱 회귀를 프로그래밍하려고합니다. 예를 들어 Andrew Ng가 "ex2data1.txt"라는 예를 따라했습니다. 요점은 알고리즘이 제대로 작동하지만 추정치가 예상 한 것과 정확히 일치하지 않는다는 것입니다. 그래서이 문제를 해결하기 위해 전체 알고리즘을 변경하려고했습니다. 그러나, 그것은 거의 불가능했습니다. 이
여기 I 가지는 문제는 로그 가능도 비율이 처음 감소하고 증가 시작이다 function [theta] = LR(D)
% D is the data having feature variables and class labels
% Now decompose D into X and C
%Note that dimensions of X = , C =
C = D
그라디언트 상승 프로 시저로 목적 함수의 로그를 최대화하려고합니다. 값이 처음으로 증가한 다음 다시 감소하기 시작하는 객관적인 값의 순서를 관찰하고 있습니다. 나는 이것이 가능한지 알고 싶었다. 제가 말하고자하는 것은, 상승 함수가 최대 값을 통과 한 다음 감소하는 값을 생성하는 함수가 존재한다는 것입니다. 다음은 목표 값 시퀀스에 대한 링크입니다. 당신의
궁극적으로 그래디언트 강하 최적화 방법을 사용하는 상황을 고려하십시오. 귀하의 훈련 세트에 맞는 가설을 성공적으로 작성했다고 가정 해보십시오. 시간이 흐른 후에 알고리즘은 점점 더 많은 새로운 데이터를받습니다. 질문 : 1)이 알고리즘은 계속 감독으로 간주 될 수 있습니까? 2) 그렇다면 새로운 데이터를 통해 반복적으로 반복하지 않고 새 데이터를 학습 할
Java의 로지스틱 회귀에 대한 함수 최소화를 위해 RISO의 L-BFGS 라이브러리 구현을 테스트하고 있습니다. Here은 내가 사용하는 클래스에 대한 링크입니다. /**
The value of the objective function, given variable assignments
x. This is specific to your
mutiple 변수에 대한 matlab에서 그래디언트 디센트를 수행하고 있고 코드가 정상적인 eq와 함께 예상되는 thetas를 얻지 못하고 있습니다. 다음과 같습니다 : theta = 1e + 05 * 3.4041 1.1063 -0.0665 정상 eq. 나는 구현했다. 그리고 임신성 당뇨병 내가 얻는 결과는 다음과 같습니다 세타 = 1.0E + 05 *
Newton의 방법을 사용하여 최적의 선형 회귀를 계산하는 MatLab 함수를 구현하려고합니다. 그러나 나는 한 지점에 갇혀 버렸다. 나는 2 차 미분을 찾는 방법을 모른다. 그래서 나는 그것을 구현할 수 없다. 여기 내 코드가있다. 도움 주셔서 감사합니다. function [costs,thetas] = mod_gd_linear_reg(x,y,numofit