[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-lawlite19--MachineLearning_Python":3,"tool-lawlite19--MachineLearning_Python":65},[4,23,32,40,49,57],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":22},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",85267,2,"2026-04-18T11:00:28",[13,14,15,16,17,18,19,20,21],"图像","数据工具","视频","插件","Agent","其他","语言模型","开发框架","音频","ready",{"id":24,"name":25,"github_repo":26,"description_zh":27,"stars":28,"difficulty_score":29,"last_commit_at":30,"category_tags":31,"status":22},5784,"funNLP","fighting41love\u002FfunNLP","funNLP 是一个专为中文自然语言处理（NLP）打造的超级资源库，被誉为\"NLP 民工的乐园”。它并非单一的软件工具，而是一个汇集了海量开源项目、数据集、预训练模型和实用代码的综合性平台。\n\n面对中文 NLP 领域资源分散、入门门槛高以及特定场景数据匮乏的痛点，funNLP 提供了“一站式”解决方案。这里不仅涵盖了分词、命名实体识别、情感分析、文本摘要等基础任务的标准工具，还独特地收录了丰富的垂直领域资源，如法律、医疗、金融行业的专用词库与数据集，甚至包含古诗词生成、歌词创作等趣味应用。其核心亮点在于极高的全面性与实用性，从基础的字典词典到前沿的 BERT、GPT-2 模型代码，再到高质量的标注数据和竞赛方案，应有尽有。\n\n无论是刚刚踏入 NLP 领域的学生、需要快速验证想法的算法工程师，还是从事人工智能研究的学者，都能在这里找到急需的“武器弹药”。对于开发者而言，它能大幅减少寻找数据和复现模型的时间；对于研究者，它提供了丰富的基准测试资源和前沿技术参考。funNLP 以开放共享的精神，极大地降低了中文自然语言处理的开发与研究成本，是中文 AI 社区不可或缺的宝藏仓库。",79857,1,"2026-04-08T20:11:31",[19,14,18],{"id":33,"name":34,"github_repo":35,"description_zh":36,"stars":37,"difficulty_score":29,"last_commit_at":38,"category_tags":39,"status":22},5773,"cs-video-courses","Developer-Y\u002Fcs-video-courses","cs-video-courses 是一个精心整理的计算机科学视频课程清单，旨在为自学者提供系统化的学习路径。它汇集了全球知名高校（如加州大学伯克利分校、新南威尔士大学等）的完整课程录像，涵盖从编程基础、数据结构与算法，到操作系统、分布式系统、数据库等核心领域，并深入延伸至人工智能、机器学习、量子计算及区块链等前沿方向。\n\n面对网络上零散且质量参差不齐的教学资源，cs-video-courses 解决了学习者难以找到成体系、高难度大学级别课程的痛点。该项目严格筛选内容，仅收录真正的大学层级课程，排除了碎片化的简短教程或商业广告，确保用户能接触到严谨的学术内容。\n\n这份清单特别适合希望夯实计算机基础的开发者、需要补充特定领域知识的研究人员，以及渴望像在校生一样系统学习计算机科学的自学者。其独特的技术亮点在于分类极其详尽，不仅包含传统的软件工程与网络安全，还细分了生成式 AI、大语言模型、计算生物学等新兴学科，并直接链接至官方视频播放列表，让用户能一站式获取高质量的教育资源，免费享受世界顶尖大学的课堂体验。",79792,"2026-04-08T22:03:59",[18,13,14,20],{"id":41,"name":42,"github_repo":43,"description_zh":44,"stars":45,"difficulty_score":46,"last_commit_at":47,"category_tags":48,"status":22},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,3,"2026-04-04T04:44:48",[17,13,20,19,18],{"id":50,"name":51,"github_repo":52,"description_zh":53,"stars":54,"difficulty_score":46,"last_commit_at":55,"category_tags":56,"status":22},519,"PaddleOCR","PaddlePaddle\u002FPaddleOCR","PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。\n\n面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。\n\nPaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。",75940,"2026-04-19T21:42:30",[19,13,20,18],{"id":58,"name":59,"github_repo":60,"description_zh":61,"stars":62,"difficulty_score":29,"last_commit_at":63,"category_tags":64,"status":22},3215,"awesome-machine-learning","josephmisiti\u002Fawesome-machine-learning","awesome-machine-learning 是一份精心整理的机器学习资源清单，汇集了全球优秀的机器学习框架、库和软件工具。面对机器学习领域技术迭代快、资源分散且难以甄选的痛点，这份清单按编程语言（如 Python、C++、Go 等）和应用场景（如计算机视觉、自然语言处理、深度学习等）进行了系统化分类，帮助使用者快速定位高质量项目。\n\n它特别适合开发者、数据科学家及研究人员使用。无论是初学者寻找入门库，还是资深工程师对比不同语言的技术选型，都能从中获得极具价值的参考。此外，清单还延伸提供了免费书籍、在线课程、行业会议、技术博客及线下聚会等丰富资源，构建了从学习到实践的全链路支持体系。\n\n其独特亮点在于严格的维护标准：明确标记已停止维护或长期未更新的项目，确保推荐内容的时效性与可靠性。作为机器学习领域的“导航图”，awesome-machine-learning 以开源协作的方式持续更新，旨在降低技术探索门槛，让每一位从业者都能高效地站在巨人的肩膀上创新。",72149,"2026-04-03T21:50:24",[20,18],{"id":66,"github_repo":67,"name":68,"description_en":69,"description_zh":70,"ai_summary_zh":71,"readme_en":72,"readme_zh":73,"quickstart_zh":74,"use_case_zh":75,"hero_image_url":76,"owner_login":77,"owner_name":78,"owner_avatar_url":79,"owner_bio":80,"owner_company":81,"owner_location":82,"owner_email":83,"owner_twitter":80,"owner_website":84,"owner_url":85,"languages":86,"stars":91,"forks":92,"last_commit_at":93,"license":94,"difficulty_score":29,"env_os":95,"env_gpu":95,"env_ram":95,"env_deps":96,"category_tags":102,"github_topics":80,"view_count":10,"oss_zip_url":80,"oss_zip_packed_at":80,"status":22,"created_at":103,"updated_at":104,"faqs":105,"releases":141},10039,"lawlite19\u002FMachineLearning_Python","MachineLearning_Python","机器学习算法python实现","MachineLearning_Python 是一个专注于机器学习算法底层原理的 Python 开源实现库。它不依赖黑盒调用，而是将线性回归、逻辑回归、BP 神经网络、支持向量机（SVM）、K-Means 聚类、主成分分析（PCA）及异常检测等核心算法的代码完全透明化。\n\n该项目主要解决了学习者“知其然不知其所以然”的痛点。许多现成库虽能一键建模，却隐藏了数学推导细节。MachineLearning_Python 通过从零手写代价函数计算、梯度下降优化、反向传播推导及正则化处理等关键步骤，并配合详细的公式解析与对比实验（如手动实现与 Scikit-learn 库结果的对照），帮助用户深入理解算法背后的数学逻辑与执行流程。此外，项目还涵盖了手写数字识别、图片压缩等实战案例，让理论落地。\n\n这款工具非常适合计算机专业的学生、AI 初学者以及希望夯实理论基础的研究人员使用。如果你不满足于仅仅调用 API，而是想透彻掌握机器学习的内部机制，或者需要一份清晰的算法教学参考代码，MachineLearning_Python 将是极佳的学习伴侣。它以教育为核心，用简洁的代码和详尽的文档，架起了数学理","MachineLearning_Python 是一个专注于机器学习算法底层原理的 Python 开源实现库。它不依赖黑盒调用，而是将线性回归、逻辑回归、BP 神经网络、支持向量机（SVM）、K-Means 聚类、主成分分析（PCA）及异常检测等核心算法的代码完全透明化。\n\n该项目主要解决了学习者“知其然不知其所以然”的痛点。许多现成库虽能一键建模，却隐藏了数学推导细节。MachineLearning_Python 通过从零手写代价函数计算、梯度下降优化、反向传播推导及正则化处理等关键步骤，并配合详细的公式解析与对比实验（如手动实现与 Scikit-learn 库结果的对照），帮助用户深入理解算法背后的数学逻辑与执行流程。此外，项目还涵盖了手写数字识别、图片压缩等实战案例，让理论落地。\n\n这款工具非常适合计算机专业的学生、AI 初学者以及希望夯实理论基础的研究人员使用。如果你不满足于仅仅调用 API，而是想透彻掌握机器学习的内部机制，或者需要一份清晰的算法教学参考代码，MachineLearning_Python 将是极佳的学习伴侣。它以教育为核心，用简洁的代码和详尽的文档，架起了数学理论与工程实践之间的桥梁。","机器学习算法Python实现\n=========\n\n[![MIT license](https:\u002F\u002Fimg.shields.io\u002Fdub\u002Fl\u002Fvibe-d.svg)](https:\u002F\u002Fgithub.com\u002Flawlite19\u002FMachineLearning_Python\u002Fblob\u002Fmaster\u002FLICENSE)\n\n## 目录\n* [机器学习算法Python实现](#机器学习算法python实现)\n\t* [一、线性回归](#一线性回归)\n\t\t* [1、代价函数](#1代价函数)\n\t\t* [2、梯度下降算法](#2梯度下降算法)\n\t\t* [3、均值归一化](#3均值归一化)\n\t\t* [4、最终运行结果](#4最终运行结果)\n\t\t* [5、使用scikit-learn库中的线性模型实现](#5使用scikit-learn库中的线性模型实现)\n\t* [二、逻辑回归](#二逻辑回归)\n\t\t* [1、代价函数](#1代价函数)\n\t\t* [2、梯度](#2梯度)\n\t\t* [3、正则化](#3正则化)\n\t\t* [4、S型函数（即）](#4s型函数即)\n\t\t* [5、映射为多项式](#5映射为多项式)\n\t\t* [6、使用的优化方法](#6使用scipy的优化方法)\n\t\t* [7、运行结果](#7运行结果)\n\t\t* [8、使用scikit-learn库中的逻辑回归模型实现](#8使用scikit-learn库中的逻辑回归模型实现)\n\t* [逻辑回归_手写数字识别_OneVsAll](#逻辑回归_手写数字识别_onevsall)\n\t\t* [1、随机显示100个数字](#1随机显示100个数字)\n\t\t* [2、OneVsAll](#2onevsall)\n\t\t* [3、手写数字识别](#3手写数字识别)\n\t\t* [4、预测](#4预测)\n\t\t* [5、运行结果](#5运行结果)\n\t\t* [6、使用scikit-learn库中的逻辑回归模型实现](#6使用scikit-learn库中的逻辑回归模型实现)\n\t* [三、BP神经网络](#三bp神经网络)\n\t\t* [1、神经网络model](#1神经网络model)\n\t\t* [2、代价函数](#2代价函数)\n\t\t* [3、正则化](#3正则化)\n\t\t* [4、反向传播BP](#4反向传播bp)\n\t\t* [5、BP可以求梯度的原因](#5bp可以求梯度的原因)\n\t\t* [6、梯度检查](#6梯度检查)\n\t\t* [7、权重的随机初始化](#7权重的随机初始化)\n\t\t* [8、预测](#8预测)\n\t\t* [9、输出结果](#9输出结果)\n\t* [四、SVM支持向量机](#四svm支持向量机)\n\t\t* [1、代价函数](#1代价函数)\n\t\t* [2、Large Margin](#2large-margin)\n\t\t* [3、SVM Kernel（核函数）](#3svm-kernel核函数)\n\t\t* [4、使用中的模型代码](#4使用scikit-learn中的svm模型代码)\n\t\t* [5、运行结果](#5运行结果)\n\t* [五、K-Means聚类算法](#五k-means聚类算法)\n\t\t* [1、聚类过程](#1聚类过程)\n\t\t* [2、目标函数](#2目标函数)\n\t\t* [3、聚类中心的选择](#3聚类中心的选择)\n\t\t* [4、聚类个数K的选择](#4聚类个数k的选择)\n\t\t* [5、应用——图片压缩](#5应用图片压缩)\n\t\t* [6、使用scikit-learn库中的线性模型实现聚类](#6使用scikit-learn库中的线性模型实现聚类)\n\t\t* [7、运行结果](#7运行结果)\n\t* [六、PCA主成分分析（降维）](#六pca主成分分析降维)\n\t\t* [1、用处](#1用处)\n\t\t* [2、2D-->1D，nD-->kD](#22d--1dnd--kd)\n\t\t* [3、主成分分析PCA与线性回归的区别](#3主成分分析pca与线性回归的区别)\n\t\t* [4、PCA降维过程](#4pca降维过程)\n\t\t* [5、数据恢复](#5数据恢复)\n\t\t* [6、主成分个数的选择（即要降的维度）](#6主成分个数的选择即要降的维度)\n\t\t* [7、使用建议](#7使用建议)\n\t\t* [8、运行结果](#8运行结果)\n\t\t* [9、使用scikit-learn库中的PCA实现降维](#9使用scikit-learn库中的pca实现降维)\n\t* [七、异常检测 Anomaly Detection](#七异常检测-anomaly-detection)\n\t\t* [1、高斯分布（正态分布）](#1高斯分布正态分布gaussian-distribution)\n\t\t* [2、异常检测算法](#2异常检测算法)\n\t\t* [3、评价的好坏，以及的选取](#3评价px的好坏以及ε的选取)\n\t\t* [4、选择使用什么样的feature（单元高斯分布）](#4选择使用什么样的feature单元高斯分布)\n\t\t* [5、多元高斯分布](#5多元高斯分布)\n\t\t* [6、单元和多元高斯分布特点](#6单元和多元高斯分布特点)\n\t\t* [7、程序运行结果](#7程序运行结果)\n\n## 一、[线性回归](\u002FLinearRegression)\n- [全部代码](\u002FLinearRegression\u002FLinearRegression.py)\n\n### 1、代价函数\n- ![J(\\theta ) = \\frac{1}{{2{\\text{m}}}}\\sum\\limits_{i = 1}^m {{{({h_\\theta }({x^{(i)}}) - {y^{(i)}})}^2}} ](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=J%28%5Ctheta%20%29%20%3D%20%5Cfrac%7B1%7D%7B%7B2%7B%5Ctext%7Bm%7D%7D%7D%7D%5Csum%5Climits_%7Bi%20%3D%201%7D%5Em%20%7B%7B%7B%28%7Bh_%5Ctheta%20%7D%28%7Bx%5E%7B%28i%29%7D%7D%29%20-%20%7By%5E%7B%28i%29%7D%7D%29%7D%5E2%7D%7D%20)\n- 其中：\n![{h_\\theta }(x) = {\\theta _0} + {\\theta _1}{x_1} + {\\theta _2}{x_2} + ...](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7Bh_%5Ctheta%20%7D%28x%29%20%3D%20%7B%5Ctheta%20_0%7D%20%2B%20%7B%5Ctheta%20_1%7D%7Bx_1%7D%20%2B%20%7B%5Ctheta%20_2%7D%7Bx_2%7D%20%2B%20...)\n\n- 下面就是要求出theta，使代价最小，即代表我们拟合出来的方程距离真实值最近\n- 共有m条数据，其中![{{{({h_\\theta }({x^{(i)}}) - {y^{(i)}})}^2}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%7B%7B%28%7Bh_%5Ctheta%20%7D%28%7Bx%5E%7B%28i%29%7D%7D%29%20-%20%7By%5E%7B%28i%29%7D%7D%29%7D%5E2%7D%7D)代表我们要拟合出来的方程到真实值距离的平方，平方的原因是因为可能有负值，正负可能会抵消\n- 前面有系数`2`的原因是下面求梯度是对每个变量求偏导，`2`可以消去\n\n- 实现代码：\n```\n# 计算代价函数\ndef computerCost(X,y,theta):\n    m = len(y)\n    J = 0\n    \n    J = (np.transpose(X*theta-y))*(X*theta-y)\u002F(2*m) #计算代价J\n    return J\n```\n - 注意这里的X是真实数据前加了一列1，因为有theta(0)\n\n### 2、梯度下降算法\n- 代价函数对![{{\\theta _j}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%7B%5Ctheta%20_j%7D%7D)求偏导得到：   \n![\\frac{{\\partial J(\\theta )}}{{\\partial {\\theta _j}}} = \\frac{1}{m}\\sum\\limits_{i = 1}^m {[({h_\\theta }({x^{(i)}}) - {y^{(i)}})x_j^{(i)}]} ](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%5Cfrac%7B%7B%5Cpartial%20J%28%5Ctheta%20%29%7D%7D%7B%7B%5Cpartial%20%7B%5Ctheta%20_j%7D%7D%7D%20%3D%20%5Cfrac%7B1%7D%7Bm%7D%5Csum%5Climits_%7Bi%20%3D%201%7D%5Em%20%7B%5B%28%7Bh_%5Ctheta%20%7D%28%7Bx%5E%7B%28i%29%7D%7D%29%20-%20%7By%5E%7B%28i%29%7D%7D%29x_j%5E%7B%28i%29%7D%5D%7D%20)\n- 所以对theta的更新可以写为：   \n![{\\theta _j} = {\\theta _j} - \\alpha \\frac{1}{m}\\sum\\limits_{i = 1}^m {[({h_\\theta }({x^{(i)}}) - {y^{(i)}})x_j^{(i)}]} ](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%5Ctheta%20_j%7D%20%3D%20%7B%5Ctheta%20_j%7D%20-%20%5Calpha%20%5Cfrac%7B1%7D%7Bm%7D%5Csum%5Climits_%7Bi%20%3D%201%7D%5Em%20%7B%5B%28%7Bh_%5Ctheta%20%7D%28%7Bx%5E%7B%28i%29%7D%7D%29%20-%20%7By%5E%7B%28i%29%7D%7D%29x_j%5E%7B%28i%29%7D%5D%7D%20)\n- 其中![\\alpha ](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%5Calpha%20)为学习速率，控制梯度下降的速度，一般取**0.01,0.03,0.1,0.3.....**\n- 为什么梯度下降可以逐步减小代价函数\n - 假设函数`f(x)`\n - 泰勒展开：`f(x+△x)=f(x)+f'(x)*△x+o(△x)`\n - 令：`△x=-α*f'(x)`   ,即负梯度方向乘以一个很小的步长`α`\n - 将`△x`代入泰勒展开式中：`f(x+△x)=f(x)-α*[f'(x)]²+o(△x)`\n - 可以看出，`α`是取得很小的正数，`[f'(x)]²`也是正数，所以可以得出：`f(x+△x)\u003C=f(x)`\n - 所以沿着**负梯度**放下，函数在减小，多维情况一样。\n- 实现代码\n```\n# 梯度下降算法\ndef gradientDescent(X,y,theta,alpha,num_iters):\n    m = len(y)      \n    n = len(theta)\n    \n    temp = np.matrix(np.zeros((n,num_iters)))   # 暂存每次迭代计算的theta，转化为矩阵形式\n    \n    \n    J_history = np.zeros((num_iters,1)) #记录每次迭代计算的代价值\n    \n    for i in range(num_iters):  # 遍历迭代次数    \n        h = np.dot(X,theta)     # 计算内积，matrix可以直接乘\n        temp[:,i] = theta - ((alpha\u002Fm)*(np.dot(np.transpose(X),h-y)))   #梯度的计算\n        theta = temp[:,i]\n        J_history[i] = computerCost(X,y,theta)      #调用计算代价函数\n        print '.',      \n    return theta,J_history  \n```\n\n### 3、均值归一化\n- 目的是使数据都缩放到一个范围内，便于使用梯度下降算法\n- ![{x_i} = \\frac{{{x_i} - {\\mu _i}}}{{{s_i}}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7Bx_i%7D%20%3D%20%5Cfrac%7B%7B%7Bx_i%7D%20-%20%7B%5Cmu%20_i%7D%7D%7D%7B%7B%7Bs_i%7D%7D%7D)\n- 其中 ![{{\\mu _i}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%7B%5Cmu%20_i%7D%7D) 为所有此feture数据的平均值\n- ![{{s_i}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%7Bs_i%7D%7D)可以是**最大值-最小值**，也可以是这个feature对应的数据的**标准差**\n- 实现代码：\n```\n# 归一化feature\ndef featureNormaliza(X):\n    X_norm = np.array(X)            #将X转化为numpy数组对象，才可以进行矩阵的运算\n    #定义所需变量\n    mu = np.zeros((1,X.shape[1]))   \n    sigma = np.zeros((1,X.shape[1]))\n    \n    mu = np.mean(X_norm,0)          # 求每一列的平均值（0指定为列，1代表行）\n    sigma = np.std(X_norm,0)        # 求每一列的标准差\n    for i in range(X.shape[1]):     # 遍历列\n        X_norm[:,i] = (X_norm[:,i]-mu[i])\u002Fsigma[i]  # 归一化\n    \n    return X_norm,mu,sigma\n```\n- 注意预测的时候也需要均值归一化数据\n\n### 4、最终运行结果\n- 代价随迭代次数的变化   \n![enter description here][1]\n\n\n### 5、[使用scikit-learn库中的线性模型实现](\u002FLinearRegression\u002FLinearRegression_scikit-learn.py)\n- 导入包\n```\nfrom sklearn import linear_model\nfrom sklearn.preprocessing import StandardScaler    #引入缩放的包\n```\n- 归一化\n```\n    # 归一化操作\n    scaler = StandardScaler()   \n    scaler.fit(X)\n    x_train = scaler.transform(X)\n    x_test = scaler.transform(np.array([1650,3]))\n```\n- 线性模型拟合\n```\n    # 线性模型拟合\n    model = linear_model.LinearRegression()\n    model.fit(x_train, y)\n``` \n- 预测\n```\n    #预测结果\n    result = model.predict(x_test)\n```\n\n-------------------\n\n  \n## 二、[逻辑回归](\u002FLogisticRegression)\n- [全部代码](\u002FLogisticRegression\u002FLogisticRegression.py)\n\n### 1、代价函数\n- ![\\left\\{ \\begin{gathered}\n  J(\\theta ) = \\frac{1}{m}\\sum\\limits_{i = 1}^m {\\cos t({h_\\theta }({x^{(i)}}),{y^{(i)}})}  \\hfill \\\\\n  \\cos t({h_\\theta }(x),y) = \\left\\{ {\\begin{array}{c}    { - \\log ({h_\\theta }(x))} \\\\    { - \\log (1 - {h_\\theta }(x))}  \\end{array} \\begin{array}{c}    {y = 1} \\\\    {y = 0}  \\end{array} } \\right. \\hfill \\\\ \n\\end{gathered}  \\right.](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_86768780c347.png)\n- 可以综合起来为：\n![J(\\theta ) =  - \\frac{1}{m}\\sum\\limits_{i = 1}^m {[{y^{(i)}}\\log ({h_\\theta }({x^{(i)}}) + (1 - } {y^{(i)}})\\log (1 - {h_\\theta }({x^{(i)}})]](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=J%28%5Ctheta%20%29%20%3D%20%20-%20%5Cfrac%7B1%7D%7Bm%7D%5Csum%5Climits_%7Bi%20%3D%201%7D%5Em%20%7B%5B%7By%5E%7B%28i%29%7D%7D%5Clog%20%28%7Bh_%5Ctheta%20%7D%28%7Bx%5E%7B%28i%29%7D%7D%29%20%2B%20%281%20-%20%7D%20%7By%5E%7B%28i%29%7D%7D%29%5Clog%20%281%20-%20%7Bh_%5Ctheta%20%7D%28%7Bx%5E%7B%28i%29%7D%7D%29%5D)\n其中：\n![{h_\\theta }(x) = \\frac{1}{{1 + {e^{ - x}}}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7Bh_%5Ctheta%20%7D%28x%29%20%3D%20%5Cfrac%7B1%7D%7B%7B1%20%2B%20%7Be%5E%7B%20-%20x%7D%7D%7D%7D)\n- 为什么不用线性回归的代价函数表示，因为线性回归的代价函数可能是非凸的，对于分类问题，使用梯度下降很难得到最小值，上面的代价函数是凸函数\n- ![{ - \\log ({h_\\theta }(x))}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%20-%20%5Clog%20%28%7Bh_%5Ctheta%20%7D%28x%29%29%7D)的图像如下，即`y=1`时：\n![enter description here][2]\n\n可以看出，当![{{h_\\theta }(x)}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%7Bh_%5Ctheta%20%7D%28x%29%7D)趋于`1`，`y=1`,与预测值一致，此时付出的代价`cost`趋于`0`，若![{{h_\\theta }(x)}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%7Bh_%5Ctheta%20%7D%28x%29%7D)趋于`0`，`y=1`,此时的代价`cost`值非常大，我们最终的目的是最小化代价值\n- 同理![{ - \\log (1 - {h_\\theta }(x))}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%20-%20%5Clog%20%281%20-%20%7Bh_%5Ctheta%20%7D%28x%29%29%7D)的图像如下（`y=0`）：   \n![enter description here][3]\n\n### 2、梯度\n- 同样对代价函数求偏导：\n![\\frac{{\\partial J(\\theta )}}{{\\partial {\\theta _j}}} = \\frac{1}{m}\\sum\\limits_{i = 1}^m {[({h_\\theta }({x^{(i)}}) - {y^{(i)}})x_j^{(i)}]} ](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%5Cfrac%7B%7B%5Cpartial%20J%28%5Ctheta%20%29%7D%7D%7B%7B%5Cpartial%20%7B%5Ctheta%20_j%7D%7D%7D%20%3D%20%5Cfrac%7B1%7D%7Bm%7D%5Csum%5Climits_%7Bi%20%3D%201%7D%5Em%20%7B%5B%28%7Bh_%5Ctheta%20%7D%28%7Bx%5E%7B%28i%29%7D%7D%29%20-%20%7By%5E%7B%28i%29%7D%7D%29x_j%5E%7B%28i%29%7D%5D%7D%20)   \n可以看出与线性回归的偏导数一致\n- 推到过程\n![enter description here][4]\n\n### 3、正则化\n- 目的是为了防止过拟合\n- 在代价函数中加上一项![J(\\theta ) =  - \\frac{1}{m}\\sum\\limits_{i = 1}^m {[{y^{(i)}}\\log ({h_\\theta }({x^{(i)}}) + (1 - } {y^{(i)}})\\log (1 - {h_\\theta }({x^{(i)}})] + \\frac{\\lambda }{{2m}}\\sum\\limits_{j = 1}^n {\\theta _j^2} ](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=J%28%5Ctheta%20%29%20%3D%20%20-%20%5Cfrac%7B1%7D%7Bm%7D%5Csum%5Climits_%7Bi%20%3D%201%7D%5Em%20%7B%5B%7By%5E%7B%28i%29%7D%7D%5Clog%20%28%7Bh_%5Ctheta%20%7D%28%7Bx%5E%7B%28i%29%7D%7D%29%20%2B%20%281%20-%20%7D%20%7By%5E%7B%28i%29%7D%7D%29%5Clog%20%281%20-%20%7Bh_%5Ctheta%20%7D%28%7Bx%5E%7B%28i%29%7D%7D%29%5D%20%2B%20%5Cfrac%7B%5Clambda%20%7D%7B%7B2m%7D%7D%5Csum%5Climits_%7Bj%20%3D%201%7D%5En%20%7B%5Ctheta%20_j%5E2%7D%20)\n- 注意j是重1开始的，因为theta(0)为一个常数项，X中最前面一列会加上1列1，所以乘积还是theta(0),feature没有关系，没有必要正则化\n- 正则化后的代价：\n```\n# 代价函数\ndef costFunction(initial_theta,X,y,inital_lambda):\n    m = len(y)\n    J = 0\n    \n    h = sigmoid(np.dot(X,initial_theta))    # 计算h(z)\n    theta1 = initial_theta.copy()           # 因为正则化j=1从1开始，不包含0，所以复制一份，前theta(0)值为0 \n    theta1[0] = 0   \n    \n    temp = np.dot(np.transpose(theta1),theta1)\n    J = (-np.dot(np.transpose(y),np.log(h))-np.dot(np.transpose(1-y),np.log(1-h))+temp*inital_lambda\u002F2)\u002Fm   # 正则化的代价方程\n    return J\n```\n- 正则化后的代价的梯度\n```\n# 计算梯度\ndef gradient(initial_theta,X,y,inital_lambda):\n    m = len(y)\n    grad = np.zeros((initial_theta.shape[0]))\n    \n    h = sigmoid(np.dot(X,initial_theta))# 计算h(z)\n    theta1 = initial_theta.copy()\n    theta1[0] = 0\n\n    grad = np.dot(np.transpose(X),h-y)\u002Fm+inital_lambda\u002Fm*theta1 #正则化的梯度\n    return grad  \n```\n\n### 4、S型函数（即![{{h_\\theta }(x)}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%7Bh_%5Ctheta%20%7D%28x%29%7D)）\n- 实现代码：\n```\n# S型函数    \ndef sigmoid(z):\n    h = np.zeros((len(z),1))    # 初始化，与z的长度一置\n    \n    h = 1.0\u002F(1.0+np.exp(-z))\n    return h\n```\n\n### 5、映射为多项式\n- 因为数据的feture可能很少，导致偏差大，所以创造出一些feture结合\n- eg:映射为2次方的形式:![1 + {x_1} + {x_2} + x_1^2 + {x_1}{x_2} + x_2^2](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=1%20%2B%20%7Bx_1%7D%20%2B%20%7Bx_2%7D%20%2B%20x_1%5E2%20%2B%20%7Bx_1%7D%7Bx_2%7D%20%2B%20x_2%5E2)\n- 实现代码：\n```\n# 映射为多项式 \ndef mapFeature(X1,X2):\n    degree = 3;                     # 映射的最高次方\n    out = np.ones((X1.shape[0],1))  # 映射后的结果数组（取代X）\n    '''\n    这里以degree=2为例，映射为1,x1,x2,x1^2,x1,x2,x2^2\n    '''\n    for i in np.arange(1,degree+1): \n        for j in range(i+1):\n            temp = X1**(i-j)*(X2**j)    #矩阵直接乘相当于matlab中的点乘.*\n            out = np.hstack((out, temp.reshape(-1,1)))\n    return out\n```\n\n### 6、使用`scipy`的优化方法\n- 梯度下降使用`scipy`中`optimize`中的`fmin_bfgs`函数\n- 调用scipy中的优化算法fmin_bfgs（拟牛顿法Broyden-Fletcher-Goldfarb-Shanno\n - costFunction是自己实现的一个求代价的函数，\n - initial_theta表示初始化的值,\n - fprime指定costFunction的梯度\n - args是其余测参数，以元组的形式传入，最后会将最小化costFunction的theta返回 \n```\n    result = optimize.fmin_bfgs(costFunction, initial_theta, fprime=gradient, args=(X,y,initial_lambda))    \n```   \n\n### 7、运行结果\n- data1决策边界和准确度  \n![enter description here][5]\n![enter description here][6]\n- data2决策边界和准确度  \n![enter description here][7]\n![enter description here][8]\n\n### 8、[使用scikit-learn库中的逻辑回归模型实现](\u002FLogisticRegression\u002FLogisticRegression_scikit-learn.py)\n- 导入包\n```\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cross_validation import train_test_split\nimport numpy as np\n```\n- 划分训练集和测试集\n```\n    # 划分为训练集和测试集\n    x_train,x_test,y_train,y_test = train_test_split(X,y,test_size=0.2)\n```\n- 归一化\n```\n    # 归一化\n    scaler = StandardScaler()\n    x_train = scaler.fit_transform(x_train)\n    x_test = scaler.fit_transform(x_test)\n```\n- 逻辑回归\n```\n    #逻辑回归\n    model = LogisticRegression()\n    model.fit(x_train,y_train)\n``` \n- 预测\n```\n    # 预测\n    predict = model.predict(x_test)\n    right = sum(predict == y_test)\n    \n    predict = np.hstack((predict.reshape(-1,1),y_test.reshape(-1,1)))   # 将预测值和真实值放在一块，好观察\n    print predict\n    print ('测试集准确率：%f%%'%(right*100.0\u002Fpredict.shape[0]))          #计算在测试集上的准确度\n```\n\n\n-------------\n\n## [逻辑回归_手写数字识别_OneVsAll](\u002FLogisticRegression)\n- [全部代码](\u002FLogisticRegression\u002FLogisticRegression_OneVsAll.py)\n\n### 1、随机显示100个数字\n- 我没有使用scikit-learn中的数据集，像素是20*20px，彩色图如下\n![enter description here][9]\n灰度图：\n![enter description here][10]\n- 实现代码：\n```\n# 显示100个数字\ndef display_data(imgData):\n    sum = 0\n    '''\n    显示100个数（若是一个一个绘制将会非常慢，可以将要画的数字整理好，放到一个矩阵中，显示这个矩阵即可）\n    - 初始化一个二维数组\n    - 将每行的数据调整成图像的矩阵，放进二维数组\n    - 显示即可\n    '''\n    pad = 1\n    display_array = -np.ones((pad+10*(20+pad),pad+10*(20+pad)))\n    for i in range(10):\n        for j in range(10):\n            display_array[pad+i*(20+pad):pad+i*(20+pad)+20,pad+j*(20+pad):pad+j*(20+pad)+20] = (imgData[sum,:].reshape(20,20,order=\"F\"))    # order=F指定以列优先，在matlab中是这样的，python中需要指定，默认以行\n            sum += 1\n            \n    plt.imshow(display_array,cmap='gray')   #显示灰度图像\n    plt.axis('off')\n    plt.show()\n```\n\n### 2、OneVsAll\n- 如何利用逻辑回归解决多分类的问题，OneVsAll就是把当前某一类看成一类，其他所有类别看作一类，这样有成了二分类的问题了\n- 如下图，把途中的数据分成三类，先把红色的看成一类，把其他的看作另外一类，进行逻辑回归，然后把蓝色的看成一类，其他的再看成一类，以此类推...\n![enter description here][11]\n- 可以看出大于2类的情况下，有多少类就要进行多少次的逻辑回归分类\n\n### 3、手写数字识别\n- 共有0-9，10个数字，需要10次分类\n- 由于**数据集y**给出的是`0,1,2...9`的数字，而进行逻辑回归需要`0\u002F1`的label标记，所以需要对y处理\n- 说一下数据集，前`500`个是`0`,`500-1000`是`1`,`...`,所以如下图，处理后的`y`，**前500行的第一列是1，其余都是0,500-1000行第二列是1，其余都是0....**\n![enter description here][12]\n- 然后调用**梯度下降算法**求解`theta`\n- 实现代码：\n```\n# 求每个分类的theta，最后返回所有的all_theta    \ndef oneVsAll(X,y,num_labels,Lambda):\n    # 初始化变量\n    m,n = X.shape\n    all_theta = np.zeros((n+1,num_labels))  # 每一列对应相应分类的theta,共10列\n    X = np.hstack((np.ones((m,1)),X))       # X前补上一列1的偏置bias\n    class_y = np.zeros((m,num_labels))      # 数据的y对应0-9，需要映射为0\u002F1的关系\n    initial_theta = np.zeros((n+1,1))       # 初始化一个分类的theta\n    \n    # 映射y\n    for i in range(num_labels):\n        class_y[:,i] = np.int32(y==i).reshape(1,-1) # 注意reshape(1,-1)才可以赋值\n    \n    #np.savetxt(\"class_y.csv\", class_y[0:600,:], delimiter=',')    \n    \n    '''遍历每个分类，计算对应的theta值'''\n    for i in range(num_labels):\n        result = optimize.fmin_bfgs(costFunction, initial_theta, fprime=gradient, args=(X,class_y[:,i],Lambda)) # 调用梯度下降的优化方法\n        all_theta[:,i] = result.reshape(1,-1)   # 放入all_theta中\n        \n    all_theta = np.transpose(all_theta) \n    return all_theta\n```\n\n### 4、预测\n- 之前说过，预测的结果是一个**概率值**，利用学习出来的`theta`代入预测的**S型函数**中，每行的最大值就是是某个数字的最大概率，所在的**列号**就是预测的数字的真实值,因为在分类时，所有为`0`的将`y`映射在第一列，为1的映射在第二列，依次类推\n- 实现代码：\n```\n# 预测\ndef predict_oneVsAll(all_theta,X):\n    m = X.shape[0]\n    num_labels = all_theta.shape[0]\n    p = np.zeros((m,1))\n    X = np.hstack((np.ones((m,1)),X))   #在X最前面加一列1\n    \n    h = sigmoid(np.dot(X,np.transpose(all_theta)))  #预测\n\n    '''\n    返回h中每一行最大值所在的列号\n    - np.max(h, axis=1)返回h中每一行的最大值（是某个数字的最大概率）\n    - 最后where找到的最大概率所在的列号（列号即是对应的数字）\n    '''\n    p = np.array(np.where(h[0,:] == np.max(h, axis=1)[0]))  \n    for i in np.arange(1, m):\n        t = np.array(np.where(h[i,:] == np.max(h, axis=1)[i]))\n        p = np.vstack((p,t))\n    return p\n```\n\n### 5、运行结果\n- 10次分类，在训练集上的准确度：   \n![enter description here][13]\n\n### 6、[使用scikit-learn库中的逻辑回归模型实现](\u002FLogisticRegression\u002FLogisticRegression_OneVsAll_scikit-learn.py)\n- 1、导入包\n```\nfrom scipy import io as spio\nimport numpy as np\nfrom sklearn import svm\nfrom sklearn.linear_model import LogisticRegression\n```\n- 2、加载数据\n```\n    data = loadmat_data(\"data_digits.mat\") \n    X = data['X']   # 获取X数据，每一行对应一个数字20x20px\n    y = data['y']   # 这里读取mat文件y的shape=(5000, 1)\n    y = np.ravel(y) # 调用sklearn需要转化成一维的(5000,)\n```\n- 3、拟合模型\n```\n    model = LogisticRegression()\n    model.fit(X, y) # 拟合\n```\n- 4、预测\n```\n    predict = model.predict(X) #预测\n    \n    print u\"预测准确度为：%f%%\"%np.mean(np.float64(predict == y)*100)\n```\n- 5、输出结果（在训练集上的准确度）\n![enter description here][14]\n\n\n----------\n\n## 三、BP神经网络\n- [全部代码](\u002FNeuralNetwok\u002FNeuralNetwork.py)\n\n### 1、神经网络model\n- 先介绍个三层的神经网络，如下图所示\n - 输入层（input layer）有三个units（![{x_0}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7Bx_0%7D)为补上的bias，通常设为`1`）\n - ![a_i^{(j)}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=a_i%5E%7B%28j%29%7D)表示第`j`层的第`i`个激励，也称为为单元unit\n - ![{\\theta ^{(j)}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%5Ctheta%20%5E%7B%28j%29%7D%7D)为第`j`层到第`j+1`层映射的权重矩阵，就是每条边的权重\n![enter description here][15]\n\n- 所以可以得到：\n - 隐含层：  \n![a_1^{(2)} = g(\\theta _{10}^{(1)}{x_0} + \\theta _{11}^{(1)}{x_1} + \\theta _{12}^{(1)}{x_2} + \\theta _{13}^{(1)}{x_3})](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=a_1%5E%7B%282%29%7D%20%3D%20g%28%5Ctheta%20_%7B10%7D%5E%7B%281%29%7D%7Bx_0%7D%20%2B%20%5Ctheta%20_%7B11%7D%5E%7B%281%29%7D%7Bx_1%7D%20%2B%20%5Ctheta%20_%7B12%7D%5E%7B%281%29%7D%7Bx_2%7D%20%2B%20%5Ctheta%20_%7B13%7D%5E%7B%281%29%7D%7Bx_3%7D%29)   \n![a_2^{(2)} = g(\\theta _{20}^{(1)}{x_0} + \\theta _{21}^{(1)}{x_1} + \\theta _{22}^{(1)}{x_2} + \\theta _{23}^{(1)}{x_3})](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=a_2%5E%7B%282%29%7D%20%3D%20g%28%5Ctheta%20_%7B20%7D%5E%7B%281%29%7D%7Bx_0%7D%20%2B%20%5Ctheta%20_%7B21%7D%5E%7B%281%29%7D%7Bx_1%7D%20%2B%20%5Ctheta%20_%7B22%7D%5E%7B%281%29%7D%7Bx_2%7D%20%2B%20%5Ctheta%20_%7B23%7D%5E%7B%281%29%7D%7Bx_3%7D%29)   \n![a_3^{(2)} = g(\\theta _{30}^{(1)}{x_0} + \\theta _{31}^{(1)}{x_1} + \\theta _{32}^{(1)}{x_2} + \\theta _{33}^{(1)}{x_3})](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=a_3%5E%7B%282%29%7D%20%3D%20g%28%5Ctheta%20_%7B30%7D%5E%7B%281%29%7D%7Bx_0%7D%20%2B%20%5Ctheta%20_%7B31%7D%5E%7B%281%29%7D%7Bx_1%7D%20%2B%20%5Ctheta%20_%7B32%7D%5E%7B%281%29%7D%7Bx_2%7D%20%2B%20%5Ctheta%20_%7B33%7D%5E%7B%281%29%7D%7Bx_3%7D%29)\n - 输出层   \n![{h_\\theta }(x) = a_1^{(3)} = g(\\theta _{10}^{(2)}a_0^{(2)} + \\theta _{11}^{(2)}a_1^{(2)} + \\theta _{12}^{(2)}a_2^{(2)} + \\theta _{13}^{(2)}a_3^{(2)})](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7Bh_%5Ctheta%20%7D%28x%29%20%3D%20a_1%5E%7B%283%29%7D%20%3D%20g%28%5Ctheta%20_%7B10%7D%5E%7B%282%29%7Da_0%5E%7B%282%29%7D%20%2B%20%5Ctheta%20_%7B11%7D%5E%7B%282%29%7Da_1%5E%7B%282%29%7D%20%2B%20%5Ctheta%20_%7B12%7D%5E%7B%282%29%7Da_2%5E%7B%282%29%7D%20%2B%20%5Ctheta%20_%7B13%7D%5E%7B%282%29%7Da_3%5E%7B%282%29%7D%29) 其中，**S型函数**![g(z) = \\frac{1}{{1 + {e^{ - z}}}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=g%28z%29%20%3D%20%5Cfrac%7B1%7D%7B%7B1%20%2B%20%7Be%5E%7B%20-%20z%7D%7D%7D%7D)，也成为**激励函数**\n- 可以看出![{\\theta ^{(1)}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%5Ctheta%20%5E%7B%281%29%7D%7D) 为3x4的矩阵，![{\\theta ^{(2)}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%5Ctheta%20%5E%7B%282%29%7D%7D)为1x4的矩阵\n - ![{\\theta ^{(j)}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%5Ctheta%20%5E%7B%28j%29%7D%7D) ==》`j+1`的单元数x（`j`层的单元数+1）\n\n### 2、代价函数\n- 假设最后输出的![{h_\\Theta }(x) \\in {R^K}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7Bh_%5CTheta%20%7D%28x%29%20%5Cin%20%7BR%5EK%7D)，即代表输出层有K个单元\n- ![J(\\Theta ) =  - \\frac{1}{m}\\sum\\limits_{i = 1}^m {\\sum\\limits_{k = 1}^K {[y_k^{(i)}\\log {{({h_\\Theta }({x^{(i)}}))}_k}} }  + (1 - y_k^{(i)})\\log {(1 - {h_\\Theta }({x^{(i)}}))_k}]](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=J%28%5CTheta%20%29%20%3D%20%20-%20%5Cfrac%7B1%7D%7Bm%7D%5Csum%5Climits_%7Bi%20%3D%201%7D%5Em%20%7B%5Csum%5Climits_%7Bk%20%3D%201%7D%5EK%20%7B%5By_k%5E%7B%28i%29%7D%5Clog%20%7B%7B%28%7Bh_%5CTheta%20%7D%28%7Bx%5E%7B%28i%29%7D%7D%29%29%7D_k%7D%7D%20%7D%20%20%2B%20%281%20-%20y_k%5E%7B%28i%29%7D%29%5Clog%20%7B%281%20-%20%7Bh_%5CTheta%20%7D%28%7Bx%5E%7B%28i%29%7D%7D%29%29_k%7D%5D) 其中，![{({h_\\Theta }(x))_i}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%28%7Bh_%5CTheta%20%7D%28x%29%29_i%7D)代表第`i`个单元输出\n- 与逻辑回归的代价函数![J(\\theta ) =  - \\frac{1}{m}\\sum\\limits_{i = 1}^m {[{y^{(i)}}\\log ({h_\\theta }({x^{(i)}}) + (1 - } {y^{(i)}})\\log (1 - {h_\\theta }({x^{(i)}})]](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=J%28%5Ctheta%20%29%20%3D%20%20-%20%5Cfrac%7B1%7D%7Bm%7D%5Csum%5Climits_%7Bi%20%3D%201%7D%5Em%20%7B%5B%7By%5E%7B%28i%29%7D%7D%5Clog%20%28%7Bh_%5Ctheta%20%7D%28%7Bx%5E%7B%28i%29%7D%7D%29%20%2B%20%281%20-%20%7D%20%7By%5E%7B%28i%29%7D%7D%29%5Clog%20%281%20-%20%7Bh_%5Ctheta%20%7D%28%7Bx%5E%7B%28i%29%7D%7D%29%5D)差不多，就是累加上每个输出（共有K个输出）\n\n\n\n### 3、正则化\n- `L`-->所有层的个数\n- ![{S_l}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7BS_l%7D)-->第`l`层unit的个数\n- 正则化后的**代价函数**为  \n![enter description here][16]\n - ![\\theta ](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%5Ctheta%20)共有`L-1`层，\n - 然后是累加对应每一层的theta矩阵，注意不包含加上偏置项对应的theta(0)\n- 正则化后的代价函数实现代码：\n```\n# 代价函数\ndef nnCostFunction(nn_params,input_layer_size,hidden_layer_size,num_labels,X,y,Lambda):\n    length = nn_params.shape[0] # theta的中长度\n    # 还原theta1和theta2\n    Theta1 = nn_params[0:hidden_layer_size*(input_layer_size+1)].reshape(hidden_layer_size,input_layer_size+1)\n    Theta2 = nn_params[hidden_layer_size*(input_layer_size+1):length].reshape(num_labels,hidden_layer_size+1)\n    \n    # np.savetxt(\"Theta1.csv\",Theta1,delimiter=',')\n    \n    m = X.shape[0]\n    class_y = np.zeros((m,num_labels))      # 数据的y对应0-9，需要映射为0\u002F1的关系\n    # 映射y\n    for i in range(num_labels):\n        class_y[:,i] = np.int32(y==i).reshape(1,-1) # 注意reshape(1,-1)才可以赋值\n     \n    '''去掉theta1和theta2的第一列，因为正则化时从1开始'''    \n    Theta1_colCount = Theta1.shape[1]    \n    Theta1_x = Theta1[:,1:Theta1_colCount]\n    Theta2_colCount = Theta2.shape[1]    \n    Theta2_x = Theta2[:,1:Theta2_colCount]\n    # 正则化向theta^2\n    term = np.dot(np.transpose(np.vstack((Theta1_x.reshape(-1,1),Theta2_x.reshape(-1,1)))),np.vstack((Theta1_x.reshape(-1,1),Theta2_x.reshape(-1,1))))\n    \n    '''正向传播,每次需要补上一列1的偏置bias'''\n    a1 = np.hstack((np.ones((m,1)),X))      \n    z2 = np.dot(a1,np.transpose(Theta1))    \n    a2 = sigmoid(z2)\n    a2 = np.hstack((np.ones((m,1)),a2))\n    z3 = np.dot(a2,np.transpose(Theta2))\n    h  = sigmoid(z3)    \n    '''代价'''    \n    J = -(np.dot(np.transpose(class_y.reshape(-1,1)),np.log(h.reshape(-1,1)))+np.dot(np.transpose(1-class_y.reshape(-1,1)),np.log(1-h.reshape(-1,1)))-Lambda*term\u002F2)\u002Fm   \n    \n    return np.ravel(J)\n```\n\n### 4、反向传播BP\n- 上面正向传播可以计算得到`J(θ)`,使用梯度下降法还需要求它的梯度\n- BP反向传播的目的就是求代价函数的梯度\n- 假设4层的神经网络,![\\delta _{\\text{j}}^{(l)}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%5Cdelta%20_%7B%5Ctext%7Bj%7D%7D%5E%7B%28l%29%7D)记为-->`l`层第`j`个单元的误差\n - ![\\delta _{\\text{j}}^{(4)} = a_j^{(4)} - {y_i}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%5Cdelta%20_%7B%5Ctext%7Bj%7D%7D%5E%7B%284%29%7D%20%3D%20a_j%5E%7B%284%29%7D%20-%20%7By_i%7D)《===》![{\\delta ^{(4)}} = {a^{(4)}} - y](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%5Cdelta%20%5E%7B%284%29%7D%7D%20%3D%20%7Ba%5E%7B%284%29%7D%7D%20-%20y)（向量化）\n - ![{\\delta ^{(3)}} = {({\\theta ^{(3)}})^T}{\\delta ^{(4)}}.*{g^}({a^{(3)}})](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%5Cdelta%20%5E%7B%283%29%7D%7D%20%3D%20%7B%28%7B%5Ctheta%20%5E%7B%283%29%7D%7D%29%5ET%7D%7B%5Cdelta%20%5E%7B%284%29%7D%7D.%2A%7Bg%5E%7D%28%7Ba%5E%7B%283%29%7D%7D%29)\n - ![{\\delta ^{(2)}} = {({\\theta ^{(2)}})^T}{\\delta ^{(3)}}.*{g^}({a^{(2)}})](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%5Cdelta%20%5E%7B%282%29%7D%7D%20%3D%20%7B%28%7B%5Ctheta%20%5E%7B%282%29%7D%7D%29%5ET%7D%7B%5Cdelta%20%5E%7B%283%29%7D%7D.%2A%7Bg%5E%7D%28%7Ba%5E%7B%282%29%7D%7D%29)\n - 没有![{\\delta ^{(1)}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%5Cdelta%20%5E%7B%281%29%7D%7D)，因为对于输入没有误差\n- 因为S型函数![{\\text{g(z)}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%5Ctext%7Bg%28z%29%7D%7D)的导数为：![{g^}(z){\\text{ = g(z)(1 - g(z))}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7Bg%5E%7D%28z%29%7B%5Ctext%7B%20%3D%20g%28z%29%281%20-%20g%28z%29%29%7D%7D)，所以上面的![{g^}({a^{(3)}})](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7Bg%5E%7D%28%7Ba%5E%7B%283%29%7D%7D%29)和![{g^}({a^{(2)}})](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7Bg%5E%7D%28%7Ba%5E%7B%282%29%7D%7D%29)可以在前向传播中计算出来\n\n- 反向传播计算梯度的过程为：\n - ![\\Delta _{ij}^{(l)} = 0](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%5CDelta%20_%7Bij%7D%5E%7B%28l%29%7D%20%3D%200)（![\\Delta ](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%5CDelta%20)是大写的![\\delta ](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%5Cdelta%20)）\n - for i=1-m:     \n -![{a^{(1)}} = {x^{(i)}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7Ba%5E%7B%281%29%7D%7D%20%3D%20%7Bx%5E%7B%28i%29%7D%7D)       \n-正向传播计算![{a^{(l)}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7Ba%5E%7B%28l%29%7D%7D)（l=2,3,4...L）      \n-反向计算![{\\delta ^{(L)}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%5Cdelta%20%5E%7B%28L%29%7D%7D)、![{\\delta ^{(L - 1)}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%5Cdelta%20%5E%7B%28L%20-%201%29%7D%7D)...![{\\delta ^{(2)}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%5Cdelta%20%5E%7B%282%29%7D%7D)；       \n-![\\Delta _{ij}^{(l)} = \\Delta _{ij}^{(l)} + a_j^{(l)}{\\delta ^{(l + 1)}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%5CDelta%20_%7Bij%7D%5E%7B%28l%29%7D%20%3D%20%5CDelta%20_%7Bij%7D%5E%7B%28l%29%7D%20%2B%20a_j%5E%7B%28l%29%7D%7B%5Cdelta%20%5E%7B%28l%20%2B%201%29%7D%7D)          \n-![D_{ij}^{(l)} = \\frac{1}{m}\\Delta _{ij}^{(l)} + \\lambda \\theta _{ij}^l\\begin{array}{c}    {}& {(j \\ne 0)}  \\end{array} ](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=D_%7Bij%7D%5E%7B%28l%29%7D%20%3D%20%5Cfrac%7B1%7D%7Bm%7D%5CDelta%20_%7Bij%7D%5E%7B%28l%29%7D%20%2B%20%5Clambda%20%5Ctheta%20_%7Bij%7D%5El%5Cbegin%7Barray%7D%7Bc%7D%20%20%20%20%7B%7D%26%20%7B%28j%20%5Cne%200%29%7D%20%20%5Cend%7Barray%7D%20)      \n![D_{ij}^{(l)} = \\frac{1}{m}\\Delta _{ij}^{(l)} + \\lambda \\theta _{ij}^lj = 0\\begin{array}{c}    {}& {j = 0}  \\end{array} ](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=D_%7Bij%7D%5E%7B%28l%29%7D%20%3D%20%5Cfrac%7B1%7D%7Bm%7D%5CDelta%20_%7Bij%7D%5E%7B%28l%29%7D%20%2B%20%5Clambda%20%5Ctheta%20_%7Bij%7D%5Elj%20%3D%200%5Cbegin%7Barray%7D%7Bc%7D%20%20%20%20%7B%7D%26%20%7Bj%20%3D%200%7D%20%20%5Cend%7Barray%7D%20)     \n\n- 最后![\\frac{{\\partial J(\\Theta )}}{{\\partial \\Theta _{ij}^{(l)}}} = D_{ij}^{(l)}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%5Cfrac%7B%7B%5Cpartial%20J%28%5CTheta%20%29%7D%7D%7B%7B%5Cpartial%20%5CTheta%20_%7Bij%7D%5E%7B%28l%29%7D%7D%7D%20%3D%20D_%7Bij%7D%5E%7B%28l%29%7D)，即得到代价函数的梯度\n- 实现代码：\n```\n# 梯度\ndef nnGradient(nn_params,input_layer_size,hidden_layer_size,num_labels,X,y,Lambda):\n    length = nn_params.shape[0]\n    Theta1 = nn_params[0:hidden_layer_size*(input_layer_size+1)].reshape(hidden_layer_size,input_layer_size+1).copy()   # 这里使用copy函数，否则下面修改Theta的值，nn_params也会一起修改\n    Theta2 = nn_params[hidden_layer_size*(input_layer_size+1):length].reshape(num_labels,hidden_layer_size+1).copy()\n    m = X.shape[0]\n    class_y = np.zeros((m,num_labels))      # 数据的y对应0-9，需要映射为0\u002F1的关系    \n    # 映射y\n    for i in range(num_labels):\n        class_y[:,i] = np.int32(y==i).reshape(1,-1) # 注意reshape(1,-1)才可以赋值\n     \n    '''去掉theta1和theta2的第一列，因为正则化时从1开始'''\n    Theta1_colCount = Theta1.shape[1]    \n    Theta1_x = Theta1[:,1:Theta1_colCount]\n    Theta2_colCount = Theta2.shape[1]    \n    Theta2_x = Theta2[:,1:Theta2_colCount]\n    \n    Theta1_grad = np.zeros((Theta1.shape))  #第一层到第二层的权重\n    Theta2_grad = np.zeros((Theta2.shape))  #第二层到第三层的权重\n      \n   \n    '''正向传播，每次需要补上一列1的偏置bias'''\n    a1 = np.hstack((np.ones((m,1)),X))\n    z2 = np.dot(a1,np.transpose(Theta1))\n    a2 = sigmoid(z2)\n    a2 = np.hstack((np.ones((m,1)),a2))\n    z3 = np.dot(a2,np.transpose(Theta2))\n    h  = sigmoid(z3)\n    \n    \n    '''反向传播，delta为误差，'''\n    delta3 = np.zeros((m,num_labels))\n    delta2 = np.zeros((m,hidden_layer_size))\n    for i in range(m):\n        #delta3[i,:] = (h[i,:]-class_y[i,:])*sigmoidGradient(z3[i,:])  # 均方误差的误差率\n        delta3[i,:] = h[i,:]-class_y[i,:]                              # 交叉熵误差率\n        Theta2_grad = Theta2_grad+np.dot(np.transpose(delta3[i,:].reshape(1,-1)),a2[i,:].reshape(1,-1))\n        delta2[i,:] = np.dot(delta3[i,:].reshape(1,-1),Theta2_x)*sigmoidGradient(z2[i,:])\n        Theta1_grad = Theta1_grad+np.dot(np.transpose(delta2[i,:].reshape(1,-1)),a1[i,:].reshape(1,-1))\n    \n    Theta1[:,0] = 0\n    Theta2[:,0] = 0          \n    '''梯度'''\n    grad = (np.vstack((Theta1_grad.reshape(-1,1),Theta2_grad.reshape(-1,1)))+Lambda*np.vstack((Theta1.reshape(-1,1),Theta2.reshape(-1,1))))\u002Fm\n    return np.ravel(grad)\n```\n\n### 5、BP可以求梯度的原因\n- 实际是利用了`链式求导`法则\n- 因为下一层的单元利用上一层的单元作为输入进行计算\n- 大体的推导过程如下，最终我们是想预测函数与已知的`y`非常接近，求均方差的梯度沿着此梯度方向可使代价函数最小化。可对照上面求梯度的过程。\n![enter description here][17]\n- 求误差更详细的推导过程：\n![enter description here][18]\n\n### 6、梯度检查\n- 检查利用`BP`求的梯度是否正确\n- 利用导数的定义验证：\n![\\frac{{dJ(\\theta )}}{{d\\theta }} \\approx \\frac{{J(\\theta  + \\varepsilon ) - J(\\theta  - \\varepsilon )}}{{2\\varepsilon }}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%5Cfrac%7B%7BdJ%28%5Ctheta%20%29%7D%7D%7B%7Bd%5Ctheta%20%7D%7D%20%5Capprox%20%5Cfrac%7B%7BJ%28%5Ctheta%20%20%2B%20%5Cvarepsilon%20%29%20-%20J%28%5Ctheta%20%20-%20%5Cvarepsilon%20%29%7D%7D%7B%7B2%5Cvarepsilon%20%7D%7D)\n- 求出来的数值梯度应该与BP求出的梯度非常接近\n- 验证BP正确后就不需要再执行验证梯度的算法了\n- 实现代码：\n```\n# 检验梯度是否计算正确\n# 检验梯度是否计算正确\ndef checkGradient(Lambda = 0):\n    '''构造一个小型的神经网络验证，因为数值法计算梯度很浪费时间，而且验证正确后之后就不再需要验证了'''\n    input_layer_size = 3\n    hidden_layer_size = 5\n    num_labels = 3\n    m = 5\n    initial_Theta1 = debugInitializeWeights(input_layer_size,hidden_layer_size); \n    initial_Theta2 = debugInitializeWeights(hidden_layer_size,num_labels)\n    X = debugInitializeWeights(input_layer_size-1,m)\n    y = 1+np.transpose(np.mod(np.arange(1,m+1), num_labels))# 初始化y\n    \n    y = y.reshape(-1,1)\n    nn_params = np.vstack((initial_Theta1.reshape(-1,1),initial_Theta2.reshape(-1,1)))  #展开theta \n    '''BP求出梯度'''\n    grad = nnGradient(nn_params, input_layer_size, hidden_layer_size, \n                     num_labels, X, y, Lambda)  \n    '''使用数值法计算梯度'''\n    num_grad = np.zeros((nn_params.shape[0]))\n    step = np.zeros((nn_params.shape[0]))\n    e = 1e-4\n    for i in range(nn_params.shape[0]):\n        step[i] = e\n        loss1 = nnCostFunction(nn_params-step.reshape(-1,1), input_layer_size, hidden_layer_size, \n                              num_labels, X, y, \n                              Lambda)\n        loss2 = nnCostFunction(nn_params+step.reshape(-1,1), input_layer_size, hidden_layer_size, \n                              num_labels, X, y, \n                              Lambda)\n        num_grad[i] = (loss2-loss1)\u002F(2*e)\n        step[i]=0\n    # 显示两列比较\n    res = np.hstack((num_grad.reshape(-1,1),grad.reshape(-1,1)))\n    print res\n```\n\n### 7、权重的随机初始化\n- 神经网络不能像逻辑回归那样初始化`theta`为`0`,因为若是每条边的权重都为0，每个神经元都是相同的输出，在反向传播中也会得到同样的梯度，最终只会预测一种结果。\n- 所以应该初始化为接近0的数\n- 实现代码\n```\n# 随机初始化权重theta\ndef randInitializeWeights(L_in,L_out):\n    W = np.zeros((L_out,1+L_in))    # 对应theta的权重\n    epsilon_init = (6.0\u002F(L_out+L_in))**0.5\n    W = np.random.rand(L_out,1+L_in)*2*epsilon_init-epsilon_init # np.random.rand(L_out,1+L_in)产生L_out*(1+L_in)大小的随机矩阵\n    return W\n```\n\n### 8、预测\n- 正向传播预测结果\n- 实现代码\n```\n# 预测\ndef predict(Theta1,Theta2,X):\n    m = X.shape[0]\n    num_labels = Theta2.shape[0]\n    #p = np.zeros((m,1))\n    '''正向传播，预测结果'''\n    X = np.hstack((np.ones((m,1)),X))\n    h1 = sigmoid(np.dot(X,np.transpose(Theta1)))\n    h1 = np.hstack((np.ones((m,1)),h1))\n    h2 = sigmoid(np.dot(h1,np.transpose(Theta2)))\n    \n    '''\n    返回h中每一行最大值所在的列号\n    - np.max(h, axis=1)返回h中每一行的最大值（是某个数字的最大概率）\n    - 最后where找到的最大概率所在的列号（列号即是对应的数字）\n    '''\n    #np.savetxt(\"h2.csv\",h2,delimiter=',')\n    p = np.array(np.where(h2[0,:] == np.max(h2, axis=1)[0]))  \n    for i in np.arange(1, m):\n        t = np.array(np.where(h2[i,:] == np.max(h2, axis=1)[i]))\n        p = np.vstack((p,t))\n    return p \n```\n\n### 9、输出结果\n- 梯度检查：     \n![enter description here][19]\n- 随机显示100个手写数字     \n![enter description here][20]\n- 显示theta1权重     \n![enter description here][21]\n- 训练集预测准确度     \n![enter description here][22]\n- 归一化后训练集预测准确度     \n![enter description here][23]\n\n--------------------\n\n## 四、SVM支持向量机\n\n### 1、代价函数\n- 在逻辑回归中，我们的代价为：   \n![\\cos t({h_\\theta }(x),y) = \\left\\{ {\\begin{array}{c}    { - \\log ({h_\\theta }(x))} \\\\    { - \\log (1 - {h_\\theta }(x))}  \\end{array} \\begin{array}{c}    {y = 1} \\\\    {y = 0}  \\end{array} } \\right.](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%5Ccos%20t%28%7Bh_%5Ctheta%20%7D%28x%29%2Cy%29%20%3D%20%5Cleft%5C%7B%20%7B%5Cbegin%7Barray%7D%7Bc%7D%20%20%20%20%7B%20-%20%5Clog%20%28%7Bh_%5Ctheta%20%7D%28x%29%29%7D%20%5C%5C%20%20%20%20%7B%20-%20%5Clog%20%281%20-%20%7Bh_%5Ctheta%20%7D%28x%29%29%7D%20%20%5Cend%7Barray%7D%20%5Cbegin%7Barray%7D%7Bc%7D%20%20%20%20%7By%20%3D%201%7D%20%5C%5C%20%20%20%20%7By%20%3D%200%7D%20%20%5Cend%7Barray%7D%20%7D%20%5Cright.)，    \n其中：![{h_\\theta }({\\text{z}}) = \\frac{1}{{1 + {e^{ - z}}}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7Bh_%5Ctheta%20%7D%28%7B%5Ctext%7Bz%7D%7D%29%20%3D%20%5Cfrac%7B1%7D%7B%7B1%20%2B%20%7Be%5E%7B%20-%20z%7D%7D%7D%7D)，![z = {\\theta ^T}x](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=z%20%3D%20%7B%5Ctheta%20%5ET%7Dx)\n- 如图所示，如果`y=1`，`cost`代价函数如图所示    \n![enter description here][24]    \n我们想让![{\\theta ^T}x >  > 0](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%5Ctheta%20%5ET%7Dx%20%3E%20%20%3E%200)，即`z>>0`，这样的话`cost`代价函数才会趋于最小（这是我们想要的），所以用途中**红色**的函数![\\cos {t_1}(z)](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%5Ccos%20%7Bt_1%7D%28z%29)代替逻辑回归中的cost\n- 当`y=0`时同样，用![\\cos {t_0}(z)](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%5Ccos%20%7Bt_0%7D%28z%29)代替\n![enter description here][25]\n- 最终得到的代价函数为：    \n![J(\\theta ) = C\\sum\\limits_{i = 1}^m {[{y^{(i)}}\\cos {t_1}({\\theta ^T}{x^{(i)}}) + (1 - {y^{(i)}})\\cos {t_0}({\\theta ^T}{x^{(i)}})} ] + \\frac{1}{2}\\sum\\limits_{j = 1}^{\\text{n}} {\\theta _j^2} ](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=J%28%5Ctheta%20%29%20%3D%20C%5Csum%5Climits_%7Bi%20%3D%201%7D%5Em%20%7B%5B%7By%5E%7B%28i%29%7D%7D%5Ccos%20%7Bt_1%7D%28%7B%5Ctheta%20%5ET%7D%7Bx%5E%7B%28i%29%7D%7D%29%20%2B%20%281%20-%20%7By%5E%7B%28i%29%7D%7D%29%5Ccos%20%7Bt_0%7D%28%7B%5Ctheta%20%5ET%7D%7Bx%5E%7B%28i%29%7D%7D%29%7D%20%5D%20%2B%20%5Cfrac%7B1%7D%7B2%7D%5Csum%5Climits_%7Bj%20%3D%201%7D%5E%7B%5Ctext%7Bn%7D%7D%20%7B%5Ctheta%20_j%5E2%7D%20)   \n最后我们想要![\\mathop {\\min }\\limits_\\theta  J(\\theta )](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_bcaff0e12a22.png)\n- 之前我们逻辑回归中的代价函数为：   \n![J(\\theta ) =  - \\frac{1}{m}\\sum\\limits_{i = 1}^m {[{y^{(i)}}\\log ({h_\\theta }({x^{(i)}}) + (1 - } {y^{(i)}})\\log (1 - {h_\\theta }({x^{(i)}})] + \\frac{\\lambda }{{2m}}\\sum\\limits_{j = 1}^n {\\theta _j^2} ](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=J%28%5Ctheta%20%29%20%3D%20%20-%20%5Cfrac%7B1%7D%7Bm%7D%5Csum%5Climits_%7Bi%20%3D%201%7D%5Em%20%7B%5B%7By%5E%7B%28i%29%7D%7D%5Clog%20%28%7Bh_%5Ctheta%20%7D%28%7Bx%5E%7B%28i%29%7D%7D%29%20%2B%20%281%20-%20%7D%20%7By%5E%7B%28i%29%7D%7D%29%5Clog%20%281%20-%20%7Bh_%5Ctheta%20%7D%28%7Bx%5E%7B%28i%29%7D%7D%29%5D%20%2B%20%5Cfrac%7B%5Clambda%20%7D%7B%7B2m%7D%7D%5Csum%5Climits_%7Bj%20%3D%201%7D%5En%20%7B%5Ctheta%20_j%5E2%7D%20)   \n可以认为这里的![C = \\frac{m}{\\lambda }](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=C%20%3D%20%5Cfrac%7Bm%7D%7B%5Clambda%20%7D)，只是表达形式问题，这里`C`的值越大，SVM的决策边界的`margin`也越大，下面会说明\n\n### 2、Large Margin\n- 如下图所示,SVM分类会使用最大的`margin`将其分开    \n![enter description here][26]\n- 先说一下向量内积\n - ![u = \\left[ {\\begin{array}{c}    {{u_1}} \\\\    {{u_2}}  \\end{array} } \\right]](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=u%20%3D%20%5Cleft%5B%20%7B%5Cbegin%7Barray%7D%7Bc%7D%20%20%20%20%7B%7Bu_1%7D%7D%20%5C%5C%20%20%20%20%7B%7Bu_2%7D%7D%20%20%5Cend%7Barray%7D%20%7D%20%5Cright%5D)，![v = \\left[ {\\begin{array}{c}    {{v_1}} \\\\    {{v_2}}  \\end{array} } \\right]](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=v%20%3D%20%5Cleft%5B%20%7B%5Cbegin%7Barray%7D%7Bc%7D%20%20%20%20%7B%7Bv_1%7D%7D%20%5C%5C%20%20%20%20%7B%7Bv_2%7D%7D%20%20%5Cend%7Barray%7D%20%7D%20%5Cright%5D)    \n - ![||u||](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7C%7Cu%7C%7C)表示`u`的**欧几里得范数**（欧式范数），![||u||{\\text{ = }}\\sqrt {{\\text{u}}_1^2 + u_2^2} ](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7C%7Cu%7C%7C%7B%5Ctext%7B%20%3D%20%7D%7D%5Csqrt%20%7B%7B%5Ctext%7Bu%7D%7D_1%5E2%20%2B%20u_2%5E2%7D%20)\n - `向量V`在`向量u`上的投影的长度记为`p`，则：向量内积：    \n ![{{\\text{u}}^T}v = p||u|| = {u_1}{v_1} + {u_2}{v_2}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%7B%5Ctext%7Bu%7D%7D%5ET%7Dv%20%3D%20p%7C%7Cu%7C%7C%20%3D%20%7Bu_1%7D%7Bv_1%7D%20%2B%20%7Bu_2%7D%7Bv_2%7D)      \n ![enter description here][27]  \n根据向量夹角公式推导一下即可，![\\cos \\theta  = \\frac{{\\overrightarrow {\\text{u}} \\overrightarrow v }}{{|\\overrightarrow {\\text{u}} ||\\overrightarrow v |}}](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_3c04fc94a8bb.png)\n\n- 前面说过，当`C`越大时，`margin`也就越大，我们的目的是最小化代价函数`J(θ)`,当`margin`最大时，`C`的乘积项![\\sum\\limits_{i = 1}^m {[{y^{(i)}}\\cos {t_1}({\\theta ^T}{x^{(i)}}) + (1 - {y^{(i)}})\\cos {t_0}({\\theta ^T}{x^{(i)}})} ]](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%5Csum%5Climits_%7Bi%20%3D%201%7D%5Em%20%7B%5B%7By%5E%7B%28i%29%7D%7D%5Ccos%20%7Bt_1%7D%28%7B%5Ctheta%20%5ET%7D%7Bx%5E%7B%28i%29%7D%7D%29%20%2B%20%281%20-%20%7By%5E%7B%28i%29%7D%7D%29%5Ccos%20%7Bt_0%7D%28%7B%5Ctheta%20%5ET%7D%7Bx%5E%7B%28i%29%7D%7D%29%7D%20%5D)要很小，所以近似为：   \n![J(\\theta ) = C0 + \\frac{1}{2}\\sum\\limits_{j = 1}^{\\text{n}} {\\theta _j^2}  = \\frac{1}{2}\\sum\\limits_{j = 1}^{\\text{n}} {\\theta _j^2}  = \\frac{1}{2}(\\theta _1^2 + \\theta _2^2) = \\frac{1}{2}{\\sqrt {\\theta _1^2 + \\theta _2^2} ^2}](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_5879986bfa95.png)，      \n我们最后的目的就是求使代价最小的`θ`\n- 由   \n![\\left\\{ {\\begin{array}{c}    {{\\theta ^T}{x^{(i)}} \\geqslant 1} \\\\    {{\\theta ^T}{x^{(i)}} \\leqslant  - 1}  \\end{array} } \\right.\\begin{array}{c}    {({y^{(i)}} = 1)} \\\\    {({y^{(i)}} = 0)}  \\end{array} ](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_00b7f5099d09.png)可以得到：    \n![\\left\\{ {\\begin{array}{c}    {{p^{(i)}}||\\theta || \\geqslant 1} \\\\    {{p^{(i)}}||\\theta || \\leqslant  - 1}  \\end{array} } \\right.\\begin{array}{c}    {({y^{(i)}} = 1)} \\\\    {({y^{(i)}} = 0)}  \\end{array} ](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_99c5228d15fa.png)，`p`即为`x`在`θ`上的投影\n- 如下图所示，假设决策边界如图，找其中的一个点，到`θ`上的投影为`p`,则![p||\\theta || \\geqslant 1](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_66b093d0d423.png)或者![p||\\theta || \\leqslant  - 1](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_9493e582d88d.png)，若是`p`很小，则需要![||\\theta ||](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7C%7C%5Ctheta%20%7C%7C)很大，这与我们要求的`θ`使![||\\theta || = \\frac{1}{2}\\sqrt {\\theta _1^2 + \\theta _2^2} ](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_6cc22ce85cf8.png)最小相违背，**所以**最后求的是`large margin`   \n![enter description here][28]\n\n### 3、SVM Kernel（核函数）\n- 对于线性可分的问题，使用**线性核函数**即可\n- 对于线性不可分的问题，在逻辑回归中，我们是将`feature`映射为使用多项式的形式![1 + {x_1} + {x_2} + x_1^2 + {x_1}{x_2} + x_2^2](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=1%20%2B%20%7Bx_1%7D%20%2B%20%7Bx_2%7D%20%2B%20x_1%5E2%20%2B%20%7Bx_1%7D%7Bx_2%7D%20%2B%20x_2%5E2)，`SVM`中也有**多项式核函数**，但是更常用的是**高斯核函数**，也称为**RBF核**\n- 高斯核函数为：![f(x) = {e^{ - \\frac{{||x - u|{|^2}}}{{2{\\sigma ^2}}}}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=f%28x%29%20%3D%20%7Be%5E%7B%20-%20%5Cfrac%7B%7B%7C%7Cx%20-%20u%7C%7B%7C%5E2%7D%7D%7D%7B%7B2%7B%5Csigma%20%5E2%7D%7D%7D%7D%7D)     \n假设如图几个点，\n![enter description here][29]\n令：   \n![{f_1} = similarity(x,{l^{(1)}}) = {e^{ - \\frac{{||x - {l^{(1)}}|{|^2}}}{{2{\\sigma ^2}}}}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7Bf_1%7D%20%3D%20similarity%28x%2C%7Bl%5E%7B%281%29%7D%7D%29%20%3D%20%7Be%5E%7B%20-%20%5Cfrac%7B%7B%7C%7Cx%20-%20%7Bl%5E%7B%281%29%7D%7D%7C%7B%7C%5E2%7D%7D%7D%7B%7B2%7B%5Csigma%20%5E2%7D%7D%7D%7D%7D)   \n![{f_2} = similarity(x,{l^{(2)}}) = {e^{ - \\frac{{||x - {l^{(2)}}|{|^2}}}{{2{\\sigma ^2}}}}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7Bf_2%7D%20%3D%20similarity%28x%2C%7Bl%5E%7B%282%29%7D%7D%29%20%3D%20%7Be%5E%7B%20-%20%5Cfrac%7B%7B%7C%7Cx%20-%20%7Bl%5E%7B%282%29%7D%7D%7C%7B%7C%5E2%7D%7D%7D%7B%7B2%7B%5Csigma%20%5E2%7D%7D%7D%7D%7D)\n.\n.\n.\n- 可以看出，若是`x`与![{l^{(1)}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7Bl%5E%7B%281%29%7D%7D)距离较近，==》![{f_1} \\approx {e^0} = 1](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7Bf_1%7D%20%5Capprox%20%7Be%5E0%7D%20%3D%201)，（即相似度较大）   \n若是`x`与![{l^{(1)}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7Bl%5E%7B%281%29%7D%7D)距离较远，==》![{f_2} \\approx {e^{ - \\infty }} = 0](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7Bf_2%7D%20%5Capprox%20%7Be%5E%7B%20-%20%5Cinfty%20%7D%7D%20%3D%200)，（即相似度较低）\n- 高斯核函数的`σ`越小，`f`下降的越快      \n![enter description here][30]\n![enter description here][31]\n\n- 如何选择初始的![{l^{(1)}}{l^{(2)}}{l^{(3)}}...](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7Bl%5E%7B%281%29%7D%7D%7Bl%5E%7B%282%29%7D%7D%7Bl%5E%7B%283%29%7D%7D...)\n - 训练集：![(({x^{(1)}},{y^{(1)}}),({x^{(2)}},{y^{(2)}}),...({x^{(m)}},{y^{(m)}}))](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%28%28%7Bx%5E%7B%281%29%7D%7D%2C%7By%5E%7B%281%29%7D%7D%29%2C%28%7Bx%5E%7B%282%29%7D%7D%2C%7By%5E%7B%282%29%7D%7D%29%2C...%28%7Bx%5E%7B%28m%29%7D%7D%2C%7By%5E%7B%28m%29%7D%7D%29%29)\n - 选择：![{l^{(1)}} = {x^{(1)}},{l^{(2)}} = {x^{(2)}}...{l^{(m)}} = {x^{(m)}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7Bl%5E%7B%281%29%7D%7D%20%3D%20%7Bx%5E%7B%281%29%7D%7D%2C%7Bl%5E%7B%282%29%7D%7D%20%3D%20%7Bx%5E%7B%282%29%7D%7D...%7Bl%5E%7B%28m%29%7D%7D%20%3D%20%7Bx%5E%7B%28m%29%7D%7D)\n - 对于给出的`x`，计算`f`,令：![f_0^{(i)} = 1](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=f_0%5E%7B%28i%29%7D%20%3D%201)所以：![{f^{(i)}} \\in {R^{m + 1}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7Bf%5E%7B%28i%29%7D%7D%20%5Cin%20%7BR%5E%7Bm%20%2B%201%7D%7D)\n - 最小化`J`求出`θ`，          \n ![J(\\theta ) = C\\sum\\limits_{i = 1}^m {[{y^{(i)}}\\cos {t_1}({\\theta ^T}{f^{(i)}}) + (1 - {y^{(i)}})\\cos {t_0}({\\theta ^T}{f^{(i)}})} ] + \\frac{1}{2}\\sum\\limits_{j = 1}^{\\text{n}} {\\theta _j^2} ](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=J%28%5Ctheta%20%29%20%3D%20C%5Csum%5Climits_%7Bi%20%3D%201%7D%5Em%20%7B%5B%7By%5E%7B%28i%29%7D%7D%5Ccos%20%7Bt_1%7D%28%7B%5Ctheta%20%5ET%7D%7Bf%5E%7B%28i%29%7D%7D%29%20%2B%20%281%20-%20%7By%5E%7B%28i%29%7D%7D%29%5Ccos%20%7Bt_0%7D%28%7B%5Ctheta%20%5ET%7D%7Bf%5E%7B%28i%29%7D%7D%29%7D%20%5D%20%2B%20%5Cfrac%7B1%7D%7B2%7D%5Csum%5Climits_%7Bj%20%3D%201%7D%5E%7B%5Ctext%7Bn%7D%7D%20%7B%5Ctheta%20_j%5E2%7D%20)\n - 如果![{\\theta ^T}f \\geqslant 0](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_d2ef3e09b9df.png)，==》预测`y=1`\n\n### 4、使用`scikit-learn`中的`SVM`模型代码\n- [全部代码](\u002FSVM\u002FSVM_scikit-learn.py)\n- 线性可分的,指定核函数为`linear`：\n```\n    '''data1——线性分类'''\n    data1 = spio.loadmat('data1.mat')\n    X = data1['X']\n    y = data1['y']\n    y = np.ravel(y)\n    plot_data(X,y)\n    \n    model = svm.SVC(C=1.0,kernel='linear').fit(X,y) # 指定核函数为线性核函数\n```\n- 非线性可分的，默认核函数为`rbf`\n```\n    '''data2——非线性分类'''\n    data2 = spio.loadmat('data2.mat')\n    X = data2['X']\n    y = data2['y']\n    y = np.ravel(y)\n    plt = plot_data(X,y)\n    plt.show()\n    \n    model = svm.SVC(gamma=100).fit(X,y)     # gamma为核函数的系数，值越大拟合的越好\n```\n### 5、运行结果\n- 线性可分的决策边界：    \n![enter description here][32]\n- 线性不可分的决策边界：   \n![enter description here][33]\n\n--------------------------\n\n## 五、K-Means聚类算法\n- [全部代码](\u002FK-Means\u002FK-Menas.py)\n\n### 1、聚类过程\n- 聚类属于无监督学习，不知道y的标记分为K类\n- K-Means算法分为两个步骤\n - 第一步：簇分配，随机选`K`个点作为中心，计算到这`K`个点的距离，分为`K`个簇\n - 第二步：移动聚类中心：重新计算每个**簇**的中心，移动中心，重复以上步骤。\n- 如下图所示：\n - 随机分配的聚类中心  \n ![enter description here][34]\n - 重新计算聚类中心，移动一次  \n ![enter description here][35]\n - 最后`10`步之后的聚类中心  \n ![enter description here][36]\n\n- 计算每条数据到哪个中心最近实现代码：\n```\n# 找到每条数据距离哪个类中心最近    \ndef findClosestCentroids(X,initial_centroids):\n    m = X.shape[0]                  # 数据条数\n    K = initial_centroids.shape[0]  # 类的总数\n    dis = np.zeros((m,K))           # 存储计算每个点分别到K个类的距离\n    idx = np.zeros((m,1))           # 要返回的每条数据属于哪个类\n    \n    '''计算每个点到每个类中心的距离'''\n    for i in range(m):\n        for j in range(K):\n            dis[i,j] = np.dot((X[i,:]-initial_centroids[j,:]).reshape(1,-1),(X[i,:]-initial_centroids[j,:]).reshape(-1,1))\n    \n    '''返回dis每一行的最小值对应的列号，即为对应的类别\n    - np.min(dis, axis=1)返回每一行的最小值\n    - np.where(dis == np.min(dis, axis=1).reshape(-1,1)) 返回对应最小值的坐标\n     - 注意：可能最小值对应的坐标有多个，where都会找出来，所以返回时返回前m个需要的即可（因为对于多个最小值，属于哪个类别都可以）\n    '''  \n    dummy,idx = np.where(dis == np.min(dis, axis=1).reshape(-1,1))\n    return idx[0:dis.shape[0]]  # 注意截取一下\n```\n- 计算类中心实现代码：\n```\n# 计算类中心\ndef computerCentroids(X,idx,K):\n    n = X.shape[1]\n    centroids = np.zeros((K,n))\n    for i in range(K):\n        centroids[i,:] = np.mean(X[np.ravel(idx==i),:], axis=0).reshape(1,-1)   # 索引要是一维的,axis=0为每一列，idx==i一次找出属于哪一类的，然后计算均值\n    return centroids\n```\n\n### 2、目标函数\n- 也叫做**失真代价函数**\n- ![J({c^{(1)}}, \\cdots ,{c^{(m)}},{u_1}, \\cdots ,{u_k}) = \\frac{1}{m}\\sum\\limits_{i = 1}^m {||{x^{(i)}} - {u_{{c^{(i)}}}}|{|^2}} ](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=J%28%7Bc%5E%7B%281%29%7D%7D%2C%20%5Ccdots%20%2C%7Bc%5E%7B%28m%29%7D%7D%2C%7Bu_1%7D%2C%20%5Ccdots%20%2C%7Bu_k%7D%29%20%3D%20%5Cfrac%7B1%7D%7Bm%7D%5Csum%5Climits_%7Bi%20%3D%201%7D%5Em%20%7B%7C%7C%7Bx%5E%7B%28i%29%7D%7D%20-%20%7Bu_%7B%7Bc%5E%7B%28i%29%7D%7D%7D%7D%7C%7B%7C%5E2%7D%7D%20)\n- 最后我们想得到：  \n![enter description here][37]\n- 其中![{c^{(i)}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7Bc%5E%7B%28i%29%7D%7D)表示第`i`条数据距离哪个类中心最近，\n- 其中![{u_i}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7Bu_i%7D)即为聚类的中心\n\n### 3、聚类中心的选择\n- 随机初始化，从给定的数据中随机抽取K个作为聚类中心\n- 随机一次的结果可能不好，可以随机多次，最后取使代价函数最小的作为中心\n- 实现代码：(这里随机一次)\n```\n# 初始化类中心--随机取K个点作为聚类中心\ndef kMeansInitCentroids(X,K):\n    m = X.shape[0]\n    m_arr = np.arange(0,m)      # 生成0-m-1\n    centroids = np.zeros((K,X.shape[1]))\n    np.random.shuffle(m_arr)    # 打乱m_arr顺序    \n    rand_indices = m_arr[:K]    # 取前K个\n    centroids = X[rand_indices,:]\n    return centroids\n```\n\n### 4、聚类个数K的选择\n- 聚类是不知道y的label的，所以不知道真正的聚类个数\n- 肘部法则（Elbow method）\n - 作代价函数`J`和`K`的图，若是出现一个拐点，如下图所示，`K`就取拐点处的值，下图此时`K=3`\n ![enter description here][38]\n - 若是很平滑就不明确，人为选择。\n- 第二种就是人为观察选择\n\n### 5、应用——图片压缩\n- 将图片的像素分为若干类，然后用这个类代替原来的像素值\n- 执行聚类的算法代码：\n```\n# 聚类算法\ndef runKMeans(X,initial_centroids,max_iters,plot_process):\n    m,n = X.shape                   # 数据条数和维度\n    K = initial_centroids.shape[0]  # 类数\n    centroids = initial_centroids   # 记录当前类中心\n    previous_centroids = centroids  # 记录上一次类中心\n    idx = np.zeros((m,1))           # 每条数据属于哪个类\n    \n    for i in range(max_iters):      # 迭代次数\n        print u'迭代计算次数：%d'%(i+1)\n        idx = findClosestCentroids(X, centroids)\n        if plot_process:    # 如果绘制图像\n            plt = plotProcessKMeans(X,centroids,previous_centroids) # 画聚类中心的移动过程\n            previous_centroids = centroids  # 重置\n        centroids = computerCentroids(X, idx, K)    # 重新计算类中心\n    if plot_process:    # 显示最终的绘制结果\n        plt.show()\n    return centroids,idx    # 返回聚类中心和数据属于哪个类\n```\n\n### 6、[使用scikit-learn库中的线性模型实现聚类](\u002FK-Means\u002FK-Means_scikit-learn.py)\n\n- 导入包\n```\n    from sklearn.cluster import KMeans\n```\n- 使用模型拟合数据\n```\n    model = KMeans(n_clusters=3).fit(X) # n_clusters指定3类，拟合数据\n```\n- 聚类中心\n```\n    centroids = model.cluster_centers_  # 聚类中心\n```\n\n### 7、运行结果\n- 二维数据类中心的移动  \n![enter description here][39]\n- 图片压缩  \n![enter description here][40]\n\n\n----------------------\n\n## 六、PCA主成分分析（降维）\n- [全部代码](\u002FPCA\u002FPCA.py)\n\n### 1、用处\n- 数据压缩（Data Compression）,使程序运行更快\n- 可视化数据，例如`3D-->2D`等\n- ......\n\n### 2、2D-->1D，nD-->kD\n- 如下图所示，所有数据点可以投影到一条直线，是**投影距离的平方和**（投影误差）最小\n![enter description here][41]\n- 注意数据需要`归一化`处理\n- 思路是找`1`个`向量u`,所有数据投影到上面使投影距离最小\n- 那么`nD-->kD`就是找`k`个向量![$${u^{(1)}},{u^{(2)}} \\ldots {u^{(k)}}$$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_722562a5f9a8.png)，所有数据投影到上面使投影误差最小\n - eg:3D-->2D,2个向量![$${u^{(1)}},{u^{(2)}}$$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_368a3b3e6bf7.png)就代表一个平面了，所有点投影到这个平面的投影误差最小即可\n\n### 3、主成分分析PCA与线性回归的区别\n- 线性回归是找`x`与`y`的关系，然后用于预测`y`\n- `PCA`是找一个投影面，最小化data到这个投影面的投影误差\n\n### 4、PCA降维过程\n- 数据预处理（均值归一化）\n - 公式：![$${\\rm{x}}_j^{(i)} = {{{\\rm{x}}_j^{(i)} - {u_j}} \\over {{s_j}}}$$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_7c468508e299.png)\n - 就是减去对应feature的均值，然后除以对应特征的标准差（也可以是最大值-最小值）\n - 实现代码：\n ```\n     # 归一化数据\n    def featureNormalize(X):\n        '''（每一个数据-当前列的均值）\u002F当前列的标准差'''\n        n = X.shape[1]\n        mu = np.zeros((1,n));\n        sigma = np.zeros((1,n))\n        \n        mu = np.mean(X,axis=0)\n        sigma = np.std(X,axis=0)\n        for i in range(n):\n            X[:,i] = (X[:,i]-mu[i])\u002Fsigma[i]\n        return X,mu,sigma\n ```\n- 计算`协方差矩阵Σ`（Covariance Matrix）：![$$\\Sigma  = {1 \\over m}\\sum\\limits_{i = 1}^n {{x^{(i)}}{{({x^{(i)}})}^T}} $$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_2cb429820678.png)\n - 注意这里的`Σ`和求和符号不同\n - 协方差矩阵`对称正定`（不理解正定的看看线代）\n - 大小为`nxn`,`n`为`feature`的维度\n - 实现代码：\n ```\n Sigma = np.dot(np.transpose(X_norm),X_norm)\u002Fm  # 求Sigma\n ```\n- 计算`Σ`的特征值和特征向量\n - 可以是用`svd`奇异值分解函数：`U,S,V = svd(Σ)`\n - 返回的是与`Σ`同样大小的对角阵`S`（由`Σ`的特征值组成）[**注意**：`matlab`中函数返回的是对角阵，在`python`中返回的是一个向量，节省空间]\n - 还有两个**酉矩阵**U和V，且![$$\\Sigma  = US{V^T}$$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_e3c147a47b37.png)\n - ![enter description here][42]\n - **注意**：`svd`函数求出的`S`是按特征值降序排列的，若不是使用`svd`,需要按**特征值**大小重新排列`U`\n- 降维\n - 选取`U`中的前`K`列（假设要降为`K`维）\n - ![enter description here][43]\n - `Z`就是对应降维之后的数据\n - 实现代码：\n ```\n     # 映射数据\n    def projectData(X_norm,U,K):\n        Z = np.zeros((X_norm.shape[0],K))\n        \n        U_reduce = U[:,0:K]          # 取前K个\n        Z = np.dot(X_norm,U_reduce) \n        return Z\n ```\n- 过程总结：\n - `Sigma = X'*X\u002Fm`\n - `U,S,V = svd(Sigma)`\n - `Ureduce = U[:,0:k]`\n - `Z = Ureduce'*x`\n\n### 5、数据恢复\n - 因为：![$${Z^{(i)}} = U_{reduce}^T*{X^{(i)}}$$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_9839eaaa24ef.png)\n - 所以：![$${X_{approx}} = {(U_{reduce}^T)^{ - 1}}Z$$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_3320c75d1043.png)     （注意这里是X的近似值）\n - 又因为`Ureduce`为正定矩阵，【正定矩阵满足：![$$A{A^T} = {A^T}A = E$$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_63d50f3725c8.png)，所以：![$${A^{ - 1}} = {A^T}$$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_4f784a1e8094.png)】，所以这里：\n - ![$${X_{approx}} = {(U_{reduce}^{ - 1})^{ - 1}}Z = {U_{reduce}}Z$$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_ca7ac8f89b6d.png)\n - 实现代码：\n```\n    # 恢复数据 \n    def recoverData(Z,U,K):\n        X_rec = np.zeros((Z.shape[0],U.shape[0]))\n        U_recude = U[:,0:K]\n        X_rec = np.dot(Z,np.transpose(U_recude))  # 还原数据（近似）\n        return X_rec\n```\n\n### 6、主成分个数的选择（即要降的维度）\n- 如何选择\n - **投影误差**（project error）：![$${1 \\over m}\\sum\\limits_{i = 1}^m {||{x^{(i)}} - x_{approx}^{(i)}|{|^2}} $$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_087ffe907a81.png)\n - **总变差**（total variation）:![$${1 \\over m}\\sum\\limits_{i = 1}^m {||{x^{(i)}}|{|^2}} $$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_fcad9bd20902.png)\n - 若**误差率**（error ratio）：![$${{{1 \\over m}\\sum\\limits_{i = 1}^m {||{x^{(i)}} - x_{approx}^{(i)}|{|^2}} } \\over {{1 \\over m}\\sum\\limits_{i = 1}^m {||{x^{(i)}}|{|^2}} }} \\le 0.01$$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_3a85a4bec142.png)，则称`99%`保留差异性\n - 误差率一般取`1%，5%，10%`等\n- 如何实现\n - 若是一个个试的话代价太大\n - 之前`U,S,V = svd(Sigma)`,我们得到了`S`，这里误差率error ratio:    \n ![$$error{\\kern 1pt} \\;ratio = 1 - {{\\sum\\limits_{i = 1}^k {{S_{ii}}} } \\over {\\sum\\limits_{i = 1}^n {{S_{ii}}} }} \\le threshold$$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_f016a0fdb250.png)\n - 可以一点点增加`K`尝试。\n\n### 7、使用建议\n- 不要使用PCA去解决过拟合问题`Overfitting`，还是使用正则化的方法（如果保留了很高的差异性还是可以的）\n- 只有在原数据上有好的结果，但是运行很慢，才考虑使用PCA\n\n### 8、运行结果\n- 2维数据降为1维\n - 要投影的方向     \n![enter description here][44]\n - 2D降为1D及对应关系        \n![enter description here][45]\n- 人脸数据降维\n - 原始数据         \n ![enter description here][46]\n - 可视化部分`U`矩阵信息    \n ![enter description here][47]\n - 恢复数据    \n ![enter description here][48]\n\n### 9、[使用scikit-learn库中的PCA实现降维](\u002FPCA\u002FPCA.py_scikit-learn.py)\n- 导入需要的包：\n```\n#-*- coding: utf-8 -*-\n# Author:bob\n# Date:2016.12.22\nimport numpy as np\nfrom matplotlib import pyplot as plt\nfrom scipy import io as spio\nfrom sklearn.decomposition import pca\nfrom sklearn.preprocessing import StandardScaler\n```\n- 归一化数据\n```\n    '''归一化数据并作图'''\n    scaler = StandardScaler()\n    scaler.fit(X)\n    x_train = scaler.transform(X)\n```\n- 使用PCA模型拟合数据，并降维\n - `n_components`对应要将的维度\n```\n    '''拟合数据'''\n    K=1 # 要降的维度\n    model = pca.PCA(n_components=K).fit(x_train)   # 拟合数据，n_components定义要降的维度\n    Z = model.transform(x_train)    # transform就会执行降维操作\n```\n\n- 数据恢复\n - `model.components_`会得到降维使用的`U`矩阵 \n```\n    '''数据恢复并作图'''\n    Ureduce = model.components_     # 得到降维用的Ureduce\n    x_rec = np.dot(Z,Ureduce)       # 数据恢复\n```\n\n\n\n---------------------------------------------------------------\n\n\n## 七、异常检测 Anomaly Detection\n- [全部代码](\u002FAnomalyDetection\u002FAnomalyDetection.py)\n\n### 1、高斯分布（正态分布）`Gaussian distribution` \n- 分布函数：![$$p(x) = {1 \\over {\\sqrt {2\\pi } \\sigma }}{e^{ - {{{{(x - u)}^2}} \\over {2{\\sigma ^2}}}}}$$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_7724ea5686e1.png)\n - 其中，`u`为数据的**均值**，`σ`为数据的**标准差**\n - `σ`越**小**，对应的图像越**尖**\n- 参数估计（`parameter estimation`）\n - ![$$u = {1 \\over m}\\sum\\limits_{i = 1}^m {{x^{(i)}}} $$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_b111209e2700.png)\n - ![$${\\sigma ^2} = {1 \\over m}\\sum\\limits_{i = 1}^m {{{({x^{(i)}} - u)}^2}} $$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_3ab4422e7df5.png)\n\n### 2、异常检测算法\n- 例子\n - 训练集：![$$\\{ {x^{(1)}},{x^{(2)}}, \\cdots {x^{(m)}}\\} $$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_32dca85cd5c7.png),其中![$$x \\in {R^n}$$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_c40d0bd2bb77.png)\n - 假设![$${x_1},{x_2} \\cdots {x_n}$$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_449782778b4b.png)相互独立，建立model模型：![$$p(x) = p({x_1};{u_1},\\sigma _1^2)p({x_2};{u_2},\\sigma _2^2) \\cdots p({x_n};{u_n},\\sigma _n^2) = \\prod\\limits_{j = 1}^n {p({x_j};{u_j},\\sigma _j^2)} $$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_f71fee0752bc.png)\n- 过程\n - 选择具有代表异常的`feature`:xi\n - 参数估计：![$${u_1},{u_2}, \\cdots ,{u_n};\\sigma _1^2,\\sigma _2^2 \\cdots ,\\sigma _n^2$$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_14212afd1b26.png)\n - 计算`p(x)`,若是`P(x)\u003Cε`则认为异常，其中`ε`为我们要求的概率的临界值`threshold`\n- 这里只是**单元高斯分布**，假设了`feature`之间是独立的，下面会讲到**多元高斯分布**，会自动捕捉到`feature`之间的关系\n- **参数估计**实现代码\n```\n# 参数估计函数（就是求均值和方差）\ndef estimateGaussian(X):\n    m,n = X.shape\n    mu = np.zeros((n,1))\n    sigma2 = np.zeros((n,1))\n    \n    mu = np.mean(X, axis=0) # axis=0表示列，每列的均值\n    sigma2 = np.var(X,axis=0) # 求每列的方差\n    return mu,sigma2\n```\n\n### 3、评价`p(x)`的好坏，以及`ε`的选取\n- 对**偏斜数据**的错误度量\n - 因为数据可能是非常**偏斜**的（就是`y=1`的个数非常少，(`y=1`表示异常)），所以可以使用`Precision\u002FRecall`，计算`F1Score`(在**CV交叉验证集**上)\n - 例如：预测癌症，假设模型可以得到`99%`能够预测正确，`1%`的错误率，但是实际癌症的概率很小，只有`0.5%`，那么我们始终预测没有癌症y=0反而可以得到更小的错误率。使用`error rate`来评估就不科学了。\n - 如下图记录：    \n ![enter description here][49]\n - ![$$\\Pr ecision = {{TP} \\over {TP + FP}}$$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_188adec344cb.png) ，即：**正确预测正样本\u002F所有预测正样本**\n - ![$${\\mathop{\\rm Re}\\nolimits} {\\rm{call}} = {{TP} \\over {TP + FN}}$$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_aa9ed758a27d.png) ，即：**正确预测正样本\u002F真实值为正样本**\n - 总是让`y=1`(较少的类)，计算`Precision`和`Recall`\n - ![$${F_1}Score = 2{{PR} \\over {P + R}}$$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_a5e0b1c494b5.png)\n - 还是以癌症预测为例，假设预测都是no-cancer，TN=199，FN=1，TP=0，FP=0，所以：Precision=0\u002F0，Recall=0\u002F1=0，尽管accuracy=199\u002F200=99.5%，但是不可信。\n\n- `ε`的选取\n - 尝试多个`ε`值，使`F1Score`的值高\n- 实现代码\n```\n# 选择最优的epsilon，即：使F1Score最大    \ndef selectThreshold(yval,pval):\n    '''初始化所需变量'''\n    bestEpsilon = 0.\n    bestF1 = 0.\n    F1 = 0.\n    step = (np.max(pval)-np.min(pval))\u002F1000\n    '''计算'''\n    for epsilon in np.arange(np.min(pval),np.max(pval),step):\n        cvPrecision = pval\u003Cepsilon\n        tp = np.sum((cvPrecision == 1) & (yval == 1).ravel()).astype(float)  # sum求和是int型的，需要转为float\n        fp = np.sum((cvPrecision == 1) & (yval == 0).ravel()).astype(float)\n        fn = np.sum((cvPrecision == 0) & (yval == 1).ravel()).astype(float)\n        precision = tp\u002F(tp+fp)  # 精准度\n        recision = tp\u002F(tp+fn)   # 召回率\n        F1 = (2*precision*recision)\u002F(precision+recision)  # F1Score计算公式\n        if F1 > bestF1:  # 修改最优的F1 Score\n            bestF1 = F1\n            bestEpsilon = epsilon\n    return bestEpsilon,bestF1\n```\n\n### 4、选择使用什么样的feature（单元高斯分布）\n- 如果一些数据不是满足高斯分布的，可以变化一下数据，例如`log(x+C),x^(1\u002F2)`等\n- 如果`p(x)`的值无论异常与否都很大，可以尝试组合多个`feature`,(因为feature之间可能是有关系的)\n\n### 5、多元高斯分布\n- 单元高斯分布存在的问题\n - 如下图，红色的点为异常点，其他的都是正常点（比如CPU和memory的变化）   \n ![enter description here][50]\n - x1对应的高斯分布如下：   \n ![enter description here][51]\n - x2对应的高斯分布如下：   \n ![enter description here][52]\n - 可以看出对应的p(x1)和p(x2)的值变化并不大，就不会认为异常\n - 因为我们认为feature之间是相互独立的，所以如上图是以**正圆**的方式扩展\n- 多元高斯分布\n - ![$$x \\in {R^n}$$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_c40d0bd2bb77.png)，并不是建立`p(x1),p(x2)...p(xn)`，而是统一建立`p(x)`\n - 其中参数：![$$\\mu  \\in {R^n},\\Sigma  \\in {R^{n \\times {\\rm{n}}}}$$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_a82b661ea465.png),`Σ`为**协方差矩阵**\n - ![$$p(x) = {1 \\over {{{(2\\pi )}^{{n \\over 2}}}|\\Sigma {|^{{1 \\over 2}}}}}{e^{ - {1 \\over 2}{{(x - u)}^T}{\\Sigma ^{ - 1}}(x - u)}}$$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_ac090a115943.png)\n - 同样，`|Σ|`越小，`p(x)`越尖\n - 例如：    \n ![enter description here][53]，  \n 表示x1,x2**正相关**，即x1越大，x2也就越大，如下图，也就可以将红色的异常点检查出了\n ![enter description here][54]      \n 若：   \n  ![enter description here][55]，   \n 表示x1,x2**负相关**\n- 实现代码：\n```\n# 多元高斯分布函数    \ndef multivariateGaussian(X,mu,Sigma2):\n    k = len(mu)\n    if (Sigma2.shape[0]>1):\n        Sigma2 = np.diag(Sigma2)\n    '''多元高斯分布函数'''    \n    X = X-mu\n    argu = (2*np.pi)**(-k\u002F2)*np.linalg.det(Sigma2)**(-0.5)\n    p = argu*np.exp(-0.5*np.sum(np.dot(X,np.linalg.inv(Sigma2))*X,axis=1))  # axis表示每行\n    return p\n```\n### 6、单元和多元高斯分布特点\n- 单元高斯分布\n - 人为可以捕捉到`feature`之间的关系时可以使用\n - 计算量小\n- 多元高斯分布\n - 自动捕捉到相关的feature\n - 计算量大，因为：![$$\\Sigma  \\in {R^{n \\times {\\rm{n}}}}$$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_01aea1bf418a.png)\n - `m>n`或`Σ`可逆时可以使用。（若不可逆，可能有冗余的x，因为线性相关，不可逆，或者就是m\u003Cn）\n\n### 7、程序运行结果\n- 显示数据     \n![enter description here][56]\n- 等高线      \n![enter description here][57]\n- 异常点标注   \n![enter description here][58]\n\n\n\n----------------------------------\n\n\n  [1]: .\u002Fimages\u002FLinearRegression_01.png \"LinearRegression_01.png\"\n  [2]: .\u002Fimages\u002FLogisticRegression_01.png \"LogisticRegression_01.png\"\n  [3]: .\u002Fimages\u002FLogisticRegression_02.png \"LogisticRegression_02.png\"\n  [4]: .\u002Fimages\u002FLogisticRegression_03.jpg \"LogisticRegression_03.jpg\"\n  [5]: .\u002Fimages\u002FLogisticRegression_04.png \"LogisticRegression_04.png\"\n  [6]: .\u002Fimages\u002FLogisticRegression_05.png \"LogisticRegression_05.png\"\n  [7]: .\u002Fimages\u002FLogisticRegression_06.png \"LogisticRegression_06.png\"\n  [8]: .\u002Fimages\u002FLogisticRegression_07.png \"LogisticRegression_07.png\"\n  [9]: .\u002Fimages\u002FLogisticRegression_08.png \"LogisticRegression_08.png\"\n  [10]: .\u002Fimages\u002FLogisticRegression_09.png \"LogisticRegression_09.png\"\n  [11]: .\u002Fimages\u002FLogisticRegression_11.png \"LogisticRegression_11.png\"\n  [12]: .\u002Fimages\u002FLogisticRegression_10.png \"LogisticRegression_10.png\"\n  [13]: .\u002Fimages\u002FLogisticRegression_12.png \"LogisticRegression_12.png\"\n  [14]: .\u002Fimages\u002FLogisticRegression_13.png \"LogisticRegression_13.png\"\n  [15]: .\u002Fimages\u002FNeuralNetwork_01.png \"NeuralNetwork_01.png\"\n  [16]: .\u002Fimages\u002FNeuralNetwork_02.png \"NeuralNetwork_02.png\"\n  [17]: .\u002Fimages\u002FNeuralNetwork_03.jpg \"NeuralNetwork_03.jpg\"\n  [18]: .\u002Fimages\u002FNeuralNetwork_04.png \"NeuralNetwork_04.png\"\n  [19]: .\u002Fimages\u002FNeuralNetwork_05.png \"NeuralNetwork_05.png\"\n  [20]: .\u002Fimages\u002FNeuralNetwork_06.png \"NeuralNetwork_06.png\"\n  [21]: .\u002Fimages\u002FNeuralNetwork_07.png \"NeuralNetwork_07.png\"\n  [22]: .\u002Fimages\u002FNeuralNetwork_08.png \"NeuralNetwork_08.png\"\n  [23]: .\u002Fimages\u002FNeuralNetwork_09.png \"NeuralNetwork_09.png\"\n  [24]: .\u002Fimages\u002FSVM_01.png \"SVM_01.png\"\n  [25]: .\u002Fimages\u002FSVM_02.png \"SVM_02.png\"\n  [26]: .\u002Fimages\u002FSVM_03.png \"SVM_03.png\"\n  [27]: .\u002Fimages\u002FSVM_04.png \"SVM_04.png\"\n  [28]: .\u002Fimages\u002FSVM_05.png \"SVM_05.png\"\n  [29]: .\u002Fimages\u002FSVM_06.png \"SVM_06.png\"\n  [30]: .\u002Fimages\u002FSVM_07.png \"SVM_07.png\"\n  [31]: .\u002Fimages\u002FSVM_08.png \"SVM_08.png\"\n  [32]: .\u002Fimages\u002FSVM_09.png \"SVM_09.png\"\n  [33]: .\u002Fimages\u002FSVM_10.png \"SVM_10.png\"\n  [34]: .\u002Fimages\u002FK-Means_01.png \"K-Means_01.png\"\n  [35]: .\u002Fimages\u002FK-Means_02.png \"K-Means_02.png\"\n  [36]: .\u002Fimages\u002FK-Means_03.png \"K-Means_03.png\"\n  [37]: .\u002Fimages\u002FK-Means_07.png \"K-Means_07.png\"\n  [38]: .\u002Fimages\u002FK-Means_04.png \"K-Means_04.png\"\n  [39]: .\u002Fimages\u002FK-Means_05.png \"K-Means_05.png\"\n  [40]: .\u002Fimages\u002FK-Means_06.png \"K-Means_06.png\"\n  [41]: .\u002Fimages\u002FPCA_01.png \"PCA_01.png\"\n  [42]: .\u002Fimages\u002FPCA_02.png \"PCA_02.png\"\n  [43]: .\u002Fimages\u002FPCA_03.png \"PCA_03.png\"\n  [44]: .\u002Fimages\u002FPCA_04.png \"PCA_04.png\"\n  [45]: .\u002Fimages\u002FPCA_05.png \"PCA_05.png\"\n  [46]: .\u002Fimages\u002FPCA_06.png \"PCA_06.png\"\n  [47]: .\u002Fimages\u002FPCA_07.png \"PCA_07.png\"\n  [48]: .\u002Fimages\u002FPCA_08.png \"PCA_08.png\"\n  [49]: .\u002Fimages\u002FAnomalyDetection_01.png \"AnomalyDetection_01.png\"\n  [50]: .\u002Fimages\u002FAnomalyDetection_04.png \"AnomalyDetection_04.png\"\n  [51]: .\u002Fimages\u002FAnomalyDetection_02.png \"AnomalyDetection_02.png\"\n  [52]: .\u002Fimages\u002FAnomalyDetection_03.png \"AnomalyDetection_03.png\"\n  [53]: .\u002Fimages\u002FAnomalyDetection_05.png \"AnomalyDetection_05.png\"\n  [54]: .\u002Fimages\u002FAnomalyDetection_07.png \"AnomalyDetection_07.png\"\n  [55]: .\u002Fimages\u002FAnomalyDetection_06.png \"AnomalyDetection_06.png\"\n  [56]: .\u002Fimages\u002FAnomalyDetection_08.png \"AnomalyDetection_08.png\"\n  [57]: .\u002Fimages\u002FAnomalyDetection_09.png \"AnomalyDetection_09.png\"\n  [58]: .\u002Fimages\u002FAnomalyDetection_10.png \"AnomalyDetection_10.png\"\n","机器学习算法Python实现\n=========\n\n[![MIT license](https:\u002F\u002Fimg.shields.io\u002Fdub\u002Fl\u002Fvibe-d.svg)](https:\u002F\u002Fgithub.com\u002Flawlite19\u002FMachineLearning_Python\u002Fblob\u002Fmaster\u002FLICENSE)\n\n## 目录\n* [机器学习算法Python实现](#机器学习算法python实现)\n\t* [一、线性回归](#一线性回归)\n\t\t* [1、代价函数](#1代价函数)\n\t\t* [2、梯度下降算法](#2梯度下降算法)\n\t\t* [3、均值归一化](#3均值归一化)\n\t\t* [4、最终运行结果](#4最终运行结果)\n\t\t* [5、使用scikit-learn库中的线性模型实现](#5使用scikit-learn库中的线性模型实现)\n\t* [二、逻辑回归](#二逻辑回归)\n\t\t* [1、代价函数](#1代价函数)\n\t\t* [2、梯度](#2梯度)\n\t\t* [3、正则化](#3正则化)\n\t\t* [4、S型函数（即）](#4s型函数即)\n\t\t* [5、映射为多项式](#5映射为多项式)\n\t\t* [6、使用的优化方法](#6使用scipy的优化方法)\n\t\t* [7、运行结果](#7运行结果)\n\t\t* [8、使用scikit-learn库中的逻辑回归模型实现](#8使用scikit-learn库中的逻辑回归模型实现)\n\t* [逻辑回归_手写数字识别_OneVsAll](#逻辑回归_手写数字识别_onevsall)\n\t\t* [1、随机显示100个数字](#1随机显示100个数字)\n\t\t* [2、OneVsAll](#2onevsall)\n\t\t* [3、手写数字识别](#3手写数字识别)\n\t\t* [4、预测](#4预测)\n\t\t* [5、运行结果](#5运行结果)\n\t\t* [6、使用scikit-learn库中的逻辑回归模型实现](#6使用scikit-learn库中的逻辑回归模型实现)\n\t* [三、BP神经网络](#三bp神经网络)\n\t\t* [1、神经网络model](#1神经网络model)\n\t\t* [2、代价函数](#2代价函数)\n\t\t* [3、正则化](#3正则化)\n\t\t* [4、反向传播BP](#4反向传播bp)\n\t\t* [5、BP可以求梯度的原因](#5bp可以求梯度的原因)\n\t\t* [6、梯度检查](#6梯度检查)\n\t\t* [7、权重的随机初始化](#7权重的随机初始化)\n\t\t* [8、预测](#8预测)\n\t\t* [9、输出结果](#9输出结果)\n\t* [四、SVM支持向量机](#四svm支持向量机)\n\t\t* [1、代价函数](#1代价函数)\n\t\t* [2、Large Margin](#2large-margin)\n\t\t* [3、SVM Kernel（核函数）](#3svm-kernel核函数)\n\t\t* [4、使用中的模型代码](#4使用scikit-learn中的svm模型代码)\n\t\t* [5、运行结果](#5运行结果)\n\t* [五、K-Means聚类算法](#五k-means聚类算法)\n\t\t* [1、聚类过程](#1聚类过程)\n\t\t* [2、目标函数](#2目标函数)\n\t\t* [3、聚类中心的选择](#3聚类中心的选择)\n\t\t* [4、聚类个数K的选择](#4聚类个数k的选择)\n\t\t* [5、应用——图片压缩](#5应用图片压缩)\n\t\t* [6、使用scikit-learn库中的线性模型实现聚类](#6使用scikit-learn库中的线性模型实现聚类)\n\t\t* [7、运行结果](#7运行结果)\n\t* [六、PCA主成分分析（降维）](#六pca主成分分析降维)\n\t\t* [1、用处](#1用处)\n\t\t* [2、2D-->1D，nD-->kD](#22d--1dnd--kd)\n\t\t* [3、主成分分析PCA与线性回归的区别](#3主成分分析pca与线性回归的区别)\n\t\t* [4、PCA降维过程](#4pca降维过程)\n\t\t* [5、数据恢复](#5数据恢复)\n\t\t* [6、主成分个数的选择（即要降的维度）](#6主成分个数的选择即要降的维度)\n\t\t* [7、使用建议](#7使用建议)\n\t\t* [8、运行结果](#8运行结果)\n\t\t* [9、使用scikit-learn库中的PCA实现降维](#9使用scikit-learn库中的pca实现降维)\n\t* [七、异常检测 Anomaly Detection](#七异常检测-anomaly-detection)\n\t\t* [1、高斯分布（正态分布）](#1高斯分布正态分布gaussian-distribution)\n\t\t* [2、异常检测算法](#2异常检测算法)\n\t\t* [3、评价的好坏，以及的选取](#3评价px的好坏以及ε的选取)\n\t\t* [4、选择使用什么样的feature（单元高斯分布）](#4选择使用什么样的feature单元高斯分布)\n\t\t* [5、多元高斯分布](#5多元高斯分布)\n\t\t* [6、单元和多元高斯分布特点](#6单元和多元高斯分布特点)\n\t\t* [7、程序运行结果](#7程序运行结果)\n\n## 一、[线性回归](\u002FLinearRegression)\n- [全部代码](\u002FLinearRegression\u002FLinearRegression.py)\n\n### 1、代价函数\n- ![J(\\theta ) = \\frac{1}{{2{\\text{m}}}}\\sum\\limits_{i = 1}^m {{{({h_\\theta }({x^{(i)}}) - {y^{(i)}})}^2}} ](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=J%28%5Ctheta%20%29%20%3D%20%5Cfrac%7B1%7D%7B%7B2%7B%5Ctext%7Bm%7D%7D%7D%7D%5Csum%5Climits_%7Bi%20%3D%201%7D%5Em%20%7B%7B%7B%28%7Bh_%5Ctheta%20%7D%28%7Bx%5E%7B%28i%29%7D%7D%29%20-%20%7By%5E%7B%28i%29%7D%7D%29%7D%5E2%7D%7D%20)\n- 其中：\n![{h_\\theta }(x) = {\\theta _0} + {\\theta _1}{x_1} + {\\theta _2}{x_2} + ...](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7Bh_%5Ctheta%20%7D%28x%29%20%3D%20%7B%5Ctheta%20_0%7D%20%2B%20%7B%5Ctheta%20_1%7D%7Bx_1%7D%20%2B%20%7B%5Ctheta%20_2%7D%7Bx_2%7D%20%2B%20...)\n\n- 下面就是要求出theta，使代价最小，即代表我们拟合出来的方程距离真实值最近\n- 共有m条数据，其中![{{{({h_\\theta }({x^{(i)}}) - {y^{(i)}})}^2}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%7B%7B%28%7Bh_%5Ctheta%20%7D%28%7Bx%5E%7B%28i%29%7D%7D%29%20-%20%7By%5E%7B%28i%29%7D%7D%29%7D%5E2%7D%7D)代表我们要拟合出来的方程到真实值距离的平方，平方的原因是因为可能有负值，正负可能会抵消\n- 前面有系数`2`的原因是下面求梯度是对每个变量求偏导，`2`可以消去\n\n- 实现代码：\n```\n# 计算代价函数\ndef computerCost(X,y,theta):\n    m = len(y)\n    J = 0\n    \n    J = (np.transpose(X*theta-y))*(X*theta-y)\u002F(2*m) #计算代价J\n    return J\n```\n - 注意这里的X是真实数据前加了一列1，因为有theta(0)\n\n### 2、梯度下降算法\n- 代价函数对![{{\\theta _j}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%7B%5Ctheta%20_j%7D%7D)求偏导得到：   \n![\\frac{{\\partial J(\\theta )}}{{\\partial {\\theta _j}}} = \\frac{1}{m}\\sum\\limits_{i = 1}^m {[({h_\\theta }({x^{(i)}}) - {y^{(i)}})x_j^{(i)}]} ](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%5Cfrac%7B%7B%5Cpartial%20J%28%5Ctheta%20%29%7D%7D%7B%7B%5Cpartial%20%7B%5Ctheta%20_j%7D%7D%7D%20%3D%20%5Cfrac%7B1%7D%7Bm%7D%5Csum%5Climits_%7Bi%20%3D%201%7D%5Em%20%7B%5B%28%7Bh_%5Ctheta%20%7D%28%7Bx%5E%7B%28i%29%7D%7D%29%20-%20%7By%5E%7B%28i%29%7D%7D%29x_j%5E%7B%28i%29%7D%5D%7D%20)\n- 所以对theta的更新可以写为：   \n![{\\theta _j} = {\\theta _j} - \\alpha \\frac{1}{m}\\sum\\limits_{i = 1}^m {[({h_\\theta }({x^{(i)}}) - {y^{(i)}})x_j^{(i)}]} ](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%5Ctheta%20_j%7D%20%3D%20%7B%5Ctheta%20_j%7D%20-%20%5Calpha%20%5Cfrac%7B1%7D%7Bm%7D%5Csum%5Climits_%7Bi%20%3D%201%7D%5Em%20%7B%5B%28%7Bh_%5Ctheta%20%7D%28%7Bx%5E%7B%28i%29%7D%7D%29%20-%20%7By%5E%7B%28i%29%7D%7D%29x_j%5E%7B%28i%29%7D%5D%7D%20)\n- 其中![\\alpha ](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%5Calpha%20)为学习速率，控制梯度下降的速度，一般取**0.01,0.03,0.1,0.3.....**\n- 为什么梯度下降可以逐步减小代价函数\n - 假设函数`f(x)`\n - 泰勒展开：`f(x+△x)=f(x)+f'(x)*△x+o(△x)`\n - 令：`△x=-α*f'(x)`   ,即负梯度方向乘以一个很小的步长`α`\n - 将`△x`代入泰勒展开式中：`f(x+△x)=f(x)-α*[f'(x)]²+o(△x)`\n - 可以看出，`α`是取得很小的正数，`[f'(x)]²`也是正数，所以可以得出：`f(x+△x)\u003C=f(x)`\n - 所以沿着**负梯度**放下，函数在减小，多维情况一样。\n- 实现代码\n```\n# 梯度下降算法\ndef gradientDescent(X,y,theta,alpha,num_iters):\n    m = len(y)      \n    n = len(theta)\n    \n    temp = np.matrix(np.zeros((n,num_iters)))   # 暂存每次迭代计算的theta，转化为矩阵形式\n    \n    \n    J_history = np.zeros((num_iters,1)) #记录每次迭代计算的代价值\n    \n    for i in range(num_iters):  # 遍历迭代次数    \n        h = np.dot(X,theta)     # 计算内积，matrix可以直接乘\n        temp[:,i] = theta - ((alpha\u002Fm)*(np.dot(np.transpose(X),h-y)))   #梯度的计算\n        theta = temp[:,i]\n        J_history[i] = computerCost(X,y,theta)      #调用计算代价函数\n        print '.',      \n    return theta,J_history  \n```\n\n### 3、均值归一化\n- 目的是使数据都缩放到一个范围内，便于使用梯度下降算法\n- ![{x_i} = \\frac{{{x_i} - {\\mu _i}}}{{{s_i}}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7Bx_i%7D%20%3D%20%5Cfrac%7B%7B%7Bx_i%7D%20-%20%7B%5Cmu%20_i%7D%7D%7D%7B%7B%7Bs_i%7D%7D%7D)\n- 其中 ![{{\\mu _i}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%7B%5Cmu%20_i%7D%7D) 为所有此feture数据的平均值\n- ![{{s_i}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%7Bs_i%7D%7D)可以是**最大值-最小值**，也可以是这个feature对应的数据的**标准差**\n- 实现代码：\n```\n# 归一化feature\ndef featureNormaliza(X):\n    X_norm = np.array(X)            #将X转化为numpy数组对象，才可以进行矩阵的运算\n    #定义所需变量\n    mu = np.zeros((1,X.shape[1]))   \n    sigma = np.zeros((1,X.shape[1]))\n    \n    mu = np.mean(X_norm,0)          # 求每一列的平均值（0指定为列，1代表行）\n    sigma = np.std(X_norm,0)        # 求每一列的标准差\n    for i in range(X.shape[1]):     # 遍历列\n        X_norm[:,i] = (X_norm[:,i]-mu[i])\u002Fsigma[i]  # 归一化\n    \n    return X_norm,mu,sigma\n```\n- 注意预测的时候也需要均值归一化数据\n\n### 4、最终运行结果\n- 代价随迭代次数的变化   \n![enter description here][1]\n\n### 5、[使用scikit-learn库中的线性模型实现](\u002FLinearRegression\u002FLinearRegression_scikit-learn.py)\n- 导入包\n```\nfrom sklearn import linear_model\nfrom sklearn.preprocessing import StandardScaler    #引入缩放的包\n```\n- 归一化\n```\n    # 归一化操作\n    scaler = StandardScaler()   \n    scaler.fit(X)\n    x_train = scaler.transform(X)\n    x_test = scaler.transform(np.array([1650,3]))\n```\n- 线性模型拟合\n```\n    # 线性模型拟合\n    model = linear_model.LinearRegression()\n    model.fit(x_train, y)\n``` \n- 预测\n```\n    #预测结果\n    result = model.predict(x_test)\n```\n\n-------------------\n\n  \n## 二、[逻辑回归](\u002FLogisticRegression)\n- [全部代码](\u002FLogisticRegression\u002FLogisticRegression.py)\n\n### 1、代价函数\n- ![\\left\\{ \\begin{gathered}\n  J(\\theta ) = \\frac{1}{m}\\sum\\limits_{i = 1}^m {\\cos t({h_\\theta }({x^{(i)}}),{y^{(i)}})}  \\hfill \\\\\n  \\cos t({h_\\theta }(x),y) = \\left\\{ {\\begin{array}{c}    { - \\log ({h_\\theta }(x))} \\\\    { - \\log (1 - {h_\\theta }(x))}  \\end{array} \\begin{array}{c}    {y = 1} \\\\    {y = 0}  \\end{array} } \\right. \\hfill \\\\ \n\\end{gathered}  \\right.](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_86768780c347.png)\n- 可以综合起来为：\n![J(\\theta ) =  - \\frac{1}{m}\\sum\\limits_{i = 1}^m {[{y^{(i)}}\\log ({h_\\theta }({x^{(i)}}) + (1 - } {y^{(i)}})\\log (1 - {h_\\theta }({x^{(i)}})]](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=J%28%5Ctheta%20%29%20%3D%20%20-%20%5Cfrac%7B1%7D%7Bm%7D%5Csum%5Climits_%7Bi%20%3D%201%7D%5Em%20%7B%5B%7By%5E%7B%28i%29%7D%7D%5Clog%20%28%7Bh_%5Ctheta%20%7D%28%7Bx%5E%7B%28i%29%7D%7D%29%20%2B%20%281%20-%20%7D%20%7By%5E%7B%28i%29%7D%7D%29%5Clog%20%281%20-%20%7Bh_%5Ctheta%20%7D%28%7Bx%5E%7B%28i%29%7D%7D%29%5D)\n其中：\n![{h_\\theta }(x) = \\frac{1}{{1 + {e^{ - x}}}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7Bh_%5Ctheta%20%7D%28x%29%20%3D%20%5Cfrac%7B1%7D%7B%7B1%20%2B%20%7Be%5E%7B%20-%20x%7D%7D%7D%7D)\n- 为什么不用线性回归的代价函数表示，因为线性回归的代价函数可能是非凸的，对于分类问题，使用梯度下降很难得到最小值，上面的代价函数是凸函数\n- ![{ - \\log ({h_\\theta }(x))}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%20-%20%5Clog%20%28%7Bh_%5Ctheta%20%7D%28x%29%29%7D)的图像如下，即`y=1`时：\n![enter description here][2]\n\n可以看出，当![{{h_\\theta }(x)}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%7Bh_%5Ctheta%20%7D%28x%29%7D)趋于`1`，`y=1`,与预测值一致，此时付出的代价`cost`趋于`0`，若![{{h_\\theta }(x)}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%7Bh_%5Ctheta%20%7D%28x%29%7D)趋于`0`，`y=1`,此时的代价`cost`值非常大，我们最终的目的是最小化代价值\n- 同理![{ - \\log (1 - {h_\\theta }(x))}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%20-%20%5Clog%20%281%20-%20%7Bh_%5Ctheta%20%7D%28x%29%29%7D)的图像如下（`y=0`）：   \n![enter description here][3]\n\n### 2、梯度\n- 同样对代价函数求偏导：\n![\\frac{{\\partial J(\\theta )}}{{\\partial {\\theta _j}}} = \\frac{1}{m}\\sum\\limits_{i = 1}^m {[({h_\\theta }({x^{(i)}}) - {y^{(i)}})x_j^{(i)}]} ](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%5Cfrac%7B%7B%5Cpartial%20J%28%5Ctheta%20%29%7D%7D%7B%7B%5Cpartial%20%7B%5Ctheta%20_j%7D%7D%7D%20%3D%20%5Cfrac%7B1%7D%7Bm%7D%5Csum%5Climits_%7Bi%20%3D%201%7D%5Em%20%7B%5B%28%7Bh_%5Ctheta%20%7D%28%7Bx%5E%7B%28i%29%7D%7D%29%20-%20%7By%5E%7B%28i%29%7D%7D%29x_j%5E%7B%28i%29%7D%5D%7D%20)   \n可以看出与线性回归的偏导数一致\n- 推到过程\n![enter description here][4]\n\n### 3、正则化\n- 目的是为了防止过拟合\n- 在代价函数中加上一项![J(\\theta ) =  - \\frac{1}{m}\\sum\\limits_{i = 1}^m {[{y^{(i)}}\\log ({h_\\theta }({x^{(i)}}) + (1 - } {y^{(i)}})\\log (1 - {h_\\theta }({x^{(i)}})] + \\frac{\\lambda }{{2m}}\\sum\\limits_{j = 1}^n {\\theta _j^2} ](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=J%28%5Ctheta%20%29%20%3D%20%20-%20%5Cfrac%7B1%7D%7Bm%7D%5Csum%5Climits_%7Bi%20%3D%201%7D%5Em%20%7B%5B%7By%5E%7B%28i%29%7D%7D%5Clog%20%28%7Bh_%5Ctheta%20%7D%28%7Bx%5E%7B%28i%29%7D%7D%29%20%2B%20%281%20-%20%7D%20%7By%5E%7B%28i%29%7D%7D%29%5Clog%20%281%20-%20%7Bh_%5Ctheta%20%7D%28%7Bx%5E%7B%28i%29%7D%7D%29%5D%20%2B%20%5Cfrac%7B%5Clambda%20%7D%7B%7B2m%7D%7D%5Csum%5Climits_%7Bj%20%3D%201%7D%5En%20%7B%5Ctheta%20_j%5E2%7D%20)\n- 注意j是重1开始的，因为theta(0)为一个常数项，X中最前面一列会加上1列1，所以乘积还是theta(0),feature没有关系，没有必要正则化\n- 正则化后的代价：\n```\n# 代价函数\ndef costFunction(initial_theta,X,y,inital_lambda):\n    m = len(y)\n    J = 0\n    \n    h = sigmoid(np.dot(X,initial_theta))    # 计算h(z)\n    theta1 = initial_theta.copy()           # 因为正则化j=1从1开始，不包含0，所以复制一份，前theta(0)值为0 \n    theta1[0] = 0   \n    \n    temp = np.dot(np.transpose(theta1),theta1)\n    J = (-np.dot(np.transpose(y),np.log(h))-np.dot(np.transpose(1-y),np.log(1-h))+temp*inital_lambda\u002F2)\u002Fm   # 正则化的代价方程\n    return J\n```\n- 正则化后的代价的梯度\n```\n# 计算梯度\ndef gradient(initial_theta,X,y,inital_lambda):\n    m = len(y)\n    grad = np.zeros((initial_theta.shape[0]))\n    \n    h = sigmoid(np.dot(X,initial_theta))# 计算h(z)\n    theta1 = initial_theta.copy()\n    theta1[0] = 0\n\n    grad = np.dot(np.transpose(X),h-y)\u002Fm+inital_lambda\u002Fm*theta1 #正则化的梯度\n    return grad  \n```\n\n### 4、S型函数（即![{{h_\\theta }(x)}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%7Bh_%5Ctheta%20%7D%28x%29%7D)）\n- 实现代码：\n```\n# S型函数    \ndef sigmoid(z):\n    h = np.zeros((len(z),1))    # 初始化，与z的长度一置\n    \n    h = 1.0\u002F(1.0+np.exp(-z))\n    return h\n```\n\n### 5、映射为多项式\n- 因为数据的feture可能很少，导致偏差大，所以创造出一些feture结合\n- eg:映射为2次方的形式:![1 + {x_1} + {x_2} + x_1^2 + {x_1}{x_2} + x_2^2](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=1%20%2B%20%7Bx_1%7D%20%2B%20%7Bx_2%7D%20%2B%20x_1%5E2%20%2B%20%7Bx_1%7D%7Bx_2%7D%20%2B%20x_2%5E2)\n- 实现代码：\n```\n# 映射为多项式 \ndef mapFeature(X1,X2):\n    degree = 3;                     # 映射的最高次方\n    out = np.ones((X1.shape[0],1))  # 映射后的结果数组（取代X）\n    '''\n    这里以degree=2为例，映射为1,x1,x2,x1^2,x1,x2,x2^2\n    '''\n    for i in np.arange(1,degree+1): \n        for j in range(i+1):\n            temp = X1**(i-j)*(X2**j)    #矩阵直接乘相当于matlab中的点乘.*\n            out = np.hstack((out, temp.reshape(-1,1)))\n    return out\n```\n\n### 6、使用`scipy`的优化方法\n- 梯度下降使用`scipy`中`optimize`中的`fmin_bfgs`函数\n- 调用scipy中的优化算法fmin_bfgs（拟牛顿法Broyden-Fletcher-Goldfarb-Shanno\n - costFunction是自己实现的一个求代价的函数，\n - initial_theta表示初始化的值,\n - fprime指定costFunction的梯度\n - args是其余测参数，以元组的形式传入，最后会将最小化costFunction的theta返回 \n```\n    result = optimize.fmin_bfgs(costFunction, initial_theta, fprime=gradient, args=(X,y,initial_lambda))    \n```\n\n### 7、运行结果\n- data1决策边界和准确度  \n![enter description here][5]\n![enter description here][6]\n- data2决策边界和准确度  \n![enter description here][7]\n![enter description here][8]\n\n### 8、[使用scikit-learn库中的逻辑回归模型实现](\u002FLogisticRegression\u002FLogisticRegression_scikit-learn.py)\n- 导入包\n```\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cross_validation import train_test_split\nimport numpy as np\n```\n- 划分训练集和测试集\n```\n    # 划分为训练集和测试集\n    x_train,x_test,y_train,y_test = train_test_split(X,y,test_size=0.2)\n```\n- 归一化\n```\n    # 归一化\n    scaler = StandardScaler()\n    x_train = scaler.fit_transform(x_train)\n    x_test = scaler.fit_transform(x_test)\n```\n- 逻辑回归\n```\n    #逻辑回归\n    model = LogisticRegression()\n    model.fit(x_train,y_train)\n``` \n- 预测\n```\n    # 预测\n    predict = model.predict(x_test)\n    right = sum(predict == y_test)\n    \n    predict = np.hstack((predict.reshape(-1,1),y_test.reshape(-1,1)))   # 将预测值和真实值放在一块，好观察\n    print predict\n    print ('测试集准确率：%f%%'%(right*100.0\u002Fpredict.shape[0]))          #计算在测试集上的准确度\n```\n\n\n-------------\n\n## [逻辑回归_手写数字识别_OneVsAll](\u002FLogisticRegression)\n- [全部代码](\u002FLogisticRegression\u002FLogisticRegression_OneVsAll.py)\n\n### 1、随机显示100个数字\n- 我没有使用scikit-learn中的数据集，像素是20*20px，彩色图如下\n![enter description here][9]\n灰度图：\n![enter description here][10]\n- 实现代码：\n```\n# 显示100个数字\ndef display_data(imgData):\n    sum = 0\n    '''\n    显示100个数（若是一个一个绘制将会非常慢，可以将要画的数字整理好，放到一个矩阵中，显示这个矩阵即可）\n    - 初始化一个二维数组\n    - 将每行的数据调整成图像的矩阵，放进二维数组\n    - 显示即可\n    '''\n    pad = 1\n    display_array = -np.ones((pad+10*(20+pad),pad+10*(20+pad)))\n    for i in range(10):\n        for j in range(10):\n            display_array[pad+i*(20+pad):pad+i*(20+pad)+20,pad+j*(20+pad):pad+j*(20+pad)+20] = (imgData[sum,:].reshape(20,20,order=\"F\"))    # order=F指定以列优先，在matlab中是这样的，python中需要指定，默认以行\n            sum += 1\n            \n    plt.imshow(display_array,cmap='gray')   #显示灰度图像\n    plt.axis('off')\n    plt.show()\n```\n\n### 2、OneVsAll\n- 如何利用逻辑回归解决多分类的问题，OneVsAll就是把当前某一类看成一类，其他所有类别看作一类，这样有成了二分类的问题了\n- 如下图，把途中的数据分成三类，先把红色的看成一类，把其他的看作另外一类，进行逻辑回归，然后把蓝色的看成一类，其他的再看成一类，以此类推...\n![enter description here][11]\n- 可以看出大于2类的情况下，有多少类就要进行多少次的逻辑回归分类\n\n### 3、手写数字识别\n- 共有0-9，10个数字，需要10次分类\n- 由于**数据集y**给出的是`0,1,2...9`的数字，而进行逻辑回归需要`0\u002F1`的label标记，所以需要对y处理\n- 说一下数据集，前`500`个是`0`,`500-1000`是`1`,`...`,所以如下图，处理后的`y`，**前500行的第一列是1，其余都是0,500-1000行第二列是1，其余都是0....**\n![enter description here][12]\n- 然后调用**梯度下降算法**求解`theta`\n- 实现代码：\n```\n# 求每个分类的theta，最后返回所有的all_theta    \ndef oneVsAll(X,y,num_labels,Lambda):\n    # 初始化变量\n    m,n = X.shape\n    all_theta = np.zeros((n+1,num_labels))  # 每一列对应相应分类的theta,共10列\n    X = np.hstack((np.ones((m,1)),X))       # X前补上一列1的偏置bias\n    class_y = np.zeros((m,num_labels))      # 数据的y对应0-9，需要映射为0\u002F1的关系\n    initial_theta = np.zeros((n+1,1))       # 初始化一个分类的theta\n    \n    # 映射y\n    for i in range(num_labels):\n        class_y[:,i] = np.int32(y==i).reshape(1,-1) # 注意reshape(1,-1)才可以赋值\n    \n    #np.savetxt(\"class_y.csv\", class_y[0:600,:], delimiter=',')    \n    \n    '''遍历每个分类，计算对应的theta值'''\n    for i in range(num_labels):\n        result = optimize.fmin_bfgs(costFunction, initial_theta, fprime=gradient, args=(X,class_y[:,i],Lambda)) # 调用梯度下降的优化方法\n        all_theta[:,i] = result.reshape(1,-1)   # 放入all_theta中\n        \n    all_theta = np.transpose(all_theta) \n    return all_theta\n```\n\n### 4、预测\n- 之前说过，预测的结果是一个**概率值**，利用学习出来的`theta`代入预测的**S型函数**中，每行的最大值就是是某个数字的最大概率，所在的**列号**就是预测的数字的真实值,因为在分类时，所有为`0`的将`y`映射在第一列，为1的映射在第二列，依次类推\n- 实现代码：\n```\n# 预测\ndef predict_oneVsAll(all_theta,X):\n    m = X.shape[0]\n    num_labels = all_theta.shape[0]\n    p = np.zeros((m,1))\n    X = np.hstack((np.ones((m,1)),X))   #在X最前面加一列1\n    \n    h = sigmoid(np.dot(X,np.transpose(all_theta)))  #预测\n\n    '''\n    返回h中每一行最大值所在的列号\n    - np.max(h, axis=1)返回h中每一行的最大值（是某个数字的最大概率）\n    - 最后where找到的最大概率所在的列号（列号即是对应的数字）\n    '''\n    p = np.array(np.where(h[0,:] == np.max(h, axis=1)[0]))  \n    for i in np.arange(1, m):\n        t = np.array(np.where(h[i,:] == np.max(h, axis=1)[i]))\n        p = np.vstack((p,t))\n    return p\n```\n\n### 5、运行结果\n- 10次分类，在训练集上的准确度：   \n![enter description here][13]\n\n### 6、[使用scikit-learn库中的逻辑回归模型实现](\u002FLogisticRegression\u002FLogisticRegression_OneVsAll_scikit-learn.py)\n- 1、导入包\n```\nfrom scipy import io as spio\nimport numpy as np\nfrom sklearn import svm\nfrom sklearn.linear_model import LogisticRegression\n```\n- 2、加载数据\n```\n    data = loadmat_data(\"data_digits.mat\") \n    X = data['X']   # 获取X数据，每一行对应一个数字20x20px\n    y = data['y']   # 这里读取mat文件y的shape=(5000, 1)\n    y = np.ravel(y) # 调用sklearn需要转化成一维的(5000,)\n```\n- 3、拟合模型\n```\n    model = LogisticRegression()\n    model.fit(X, y) # 拟合\n```\n- 4、预测\n```\n    predict = model.predict(X) #预测\n    \n    print u\"预测准确度为：%f%%\"%np.mean(np.float64(predict == y)*100)\n```\n- 5、输出结果（在训练集上的准确度）\n![enter description here][14]\n\n\n----------\n\n## 三、BP神经网络\n- [全部代码](\u002FNeuralNetwok\u002FNeuralNetwork.py)\n\n### 1、神经网络模型\n- 首先介绍一个三层的神经网络，如下图所示：\n  - 输入层（input layer）有三个单元（![{x_0}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7Bx_0%7D)为补上的bias，通常设为`1`）\n  - ![a_i^{(j)}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=a_i%5E%7B%28j%29%7D)表示第`j`层的第`i`个激励，也称为为单元unit\n  - ![{\\theta ^{(j)}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%5Ctheta%20%5E%7B%28j%29%7D%7D)为第`j`层到第`j+1`层映射的权重矩阵，就是每条边的权重\n![enter description here][15]\n\n- 所以可以得到：\n  - 隐含层：  \n![a_1^{(2)} = g(\\theta _{10}^{(1)}{x_0} + \\theta _{11}^{(1)}{x_1} + \\theta _{12}^{(1)}{x_2} + \\theta _{13}^{(1)}{x_3})](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=a_1%5E%7B%282%29%7D%20%3D%20g%28%5Ctheta%20_%7B10%7D%5E%7B%281%29%7D%7Bx_0%7D%20%2B%20%5Ctheta%20_%7B11%7D%5E%7B%281%29%7D%7Bx_1%7D%20%2B%20%5Ctheta%20_%7B12%7D%5E%7B%281%29%7D%7Bx_2%7D%20%2B%20%5Ctheta%20_%7B13%7D%5E%7B%281%29%7D%7Bx_3%7D%29)   \n![a_2^{(2)} = g(\\theta _{20}^{(1)}{x_0} + \\theta _{21}^{(1)}{x_1} + \\theta _{22}^{(1)}{x_2} + \\theta _{23}^{(1)}{x_3})](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=a_2%5E%7B%282%29%7D%20%3D%20g%28%5Ctheta%20_%7B20%7D%5E%7B%281%29%7D%7Bx_0%7D%20%2B%20%5Ctheta%20_%7B21%7D%5E%7B%281%29%7D%7Bx_1%7D%20%2B%20%5Ctheta%20_%7B22%7D%5E%7B%281%29%7D%7Bx_2%7D%20%2B%20%5Ctheta%20_%7B23%7D%5E%7B%281%29%7D%7Bx_3%7D%29)   \n![a_3^{(2)} = g(\\theta _{30}^{(1)}{x_0} + \\theta _{31}^{(1)}{x_1} + \\theta _{32}^{(1)}{x_2} + \\theta _{33}^{(1)}{x_3})](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=a_3%5E%7B%282%29%7D%20%3D%20g%28%5Ctheta%20_%7B30%7D%5E%7B%281%29%7D%7Bx_0%7D%20%2B%20%5Ctheta%20_%7B31%7D%5E%7B%281%29%7D%7Bx_1%7D%20%2B%20%5Ctheta%20_%7B32%7D%5E%7B%281%29%7D%7Bx_2%7D%20%2B%20%5Ctheta%20_%7B33%7D%5E%7B%281%29%7D%7Bx_3%7D%29)\n  - 输出层   \n![{h_\\theta }(x) = a_1^{(3)} = g(\\theta _{10}^{(2)}a_0^{(2)} + \\theta _{11}^{(2)}a_1^{(2)} + \\theta _{12}^{(2)}a_2^{(2)} + \\theta _{13}^{(2)}a_3^{(2)})](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7Bh_%5Ctheta%20%7D%28x%29%20%3D%20a_1%5E%7B%283%29%7D%20%3D%20g%28%5Ctheta%20_%7B10%7D%5E%7B%282%29%7Da_0%5E%7B%282%29%7D%20%2B%20%5Ctheta%20_%7B11%7D%5E%7B%282%29%7D%7Bx_1%7D%20%2B%20%5Ctheta%20_%7B12%7D%5E%7B%282%29%7D%7Bx_2%7D%20%2B%20%5Ctheta%20_%7B13%7D%5E%7B%282%29%7D%7Bx_3%7D%29) 其中，**S型函数**![g(z) = \\frac{1}{{1 + {e^{ - z}}}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=g%28z%29%20%3D%20%5Cfrac%7B1%7D%7B%7B1%20%2B%20%7Be%5E%7B%20-%20z%7D%7D%7D%7D)，也成为**激励函数**\n- 可以看出![{\\theta ^{(1)}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%5Ctheta%20%5E%7B%281%29%7D%7D) 为3x4的矩阵，![{\\theta ^{(2)}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%5Ctheta%20%5E%7B%282%29%7D%7D)为1x4的矩阵\n  - ![{\\theta ^{(j)}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%5Ctheta%20%5E%7B%28j%29%7D%7D) ==》`j+1`的单元数x（`j`层的单元数+1）\n\n### 2、代价函数\n- 假设最后输出的![{h_\\Theta }(x) \\in {R^K}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7Bh_%5CTheta%20%7D%28x%29%20%5Cin%20%7BR%5EK%7D)，即代表输出层有K个单元\n- ![J(\\Theta ) =  - \\frac{1}{m}\\sum\\limits_{i = 1}^m {\\sum\\limits_{k = 1}^K {[y_k^{(i)}\\log {{({h_\\Theta }({x^{(i)}}))}_k}} }  + (1 - y_k^{(i)})\\log {(1 - {h_\\Theta }({x^{(i)}}))_k}]](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=J%28%5CTheta%20%29%20%3D%20%20-%20%5Cfrac%7B1%7D%7Bm%7D%5Csum%5Climits_%7Bi%20%3D%201%7D%5Em%20%7B%5Csum%5Climits_%7Bk%20%3D%201%7D%5EK%20%7B%5By_k%5E%7B%28i%29%7D%5Clog%20%7B%7B%28%7Bh_%5CTheta%20%7D%28%7Bx%5E%7B%28i%29%7D%7D%29%29%7D_k%7D%7D%20%20%2B%20%281%20-%20y_k%5E%7B%28i%29%7D%29%5Clog%20%7B%281%20-%20%7Bh_%5CTheta%20%7D%28%7Bx%5E%7B%28i%29%7D%7D%29%29_k%7D%5D) 其中，![{({h_\\Theta }(x))_i}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%28%7Bh_%5CTheta%20%7D%28x%29%29_i%7D)代表第`i`个单元输出\n- 与逻辑回归的代价函数![J(\\theta ) =  - \\frac{1}{m}\\sum\\limits_{i = 1}^m {[{y^{(i)}}\\log ({h_\\theta }({x^{(i)}}) + (1 - } {y^{(i)}})\\log (1 - {h_\\theta }({x^{(i)}})]](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=J%28%5Ctheta%20%29%20%3D%20%20-%20%5Cfrac%7B1%7D%7Bm%7D%5Csum%5Climits_%7Bi%20%3D%201%7D%5Em%20%7B%5B%7By%5E%7B%28i%29%7D%7D%5Clog%20%28%7Bh_%5Ctheta%20%7D%28%7Bx%5E%7B%28i%29%7D%7D%29%20%2B%20%281%20-%20%7D%20%7By%5E%7B%28i%29%7D%7D%29%5Clog%20%281%20-%20%7Bh_%5Ctheta%20%7D%28%7Bx%5E%7B%28i%29%7D%7D%29%5D)差不多，就是累加上每个输出（共有K个输出）\n\n\n\n### 3、正则化\n- `L`-->所有层的个数\n- ![{S_l}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7BS_l%7D)-->第`l`层unit的个数\n- 正则化后的**代价函数**为  \n![enter description here][16]\n - ![\\theta ](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%5Ctheta%20)共有`L-1`层，\n - 然后是累加对应每一层的theta矩阵，注意不包含加上偏置项对应的theta(0)\n- 正则化后的代价函数实现代码：\n```\n# 代价函数\ndef nnCostFunction(nn_params,input_layer_size,hidden_layer_size,num_labels,X,y,Lambda):\n    length = nn_params.shape[0] # theta的中长度\n    # 还原theta1和theta2\n    Theta1 = nn_params[0:hidden_layer_size*(input_layer_size+1)].reshape(hidden_layer_size,input_layer_size+1)\n    Theta2 = nn_params[hidden_layer_size*(input_layer_size+1):length].reshape(num_labels,hidden_layer_size+1)\n    \n    # np.savetxt(\"Theta1.csv\",Theta1,delimiter=',')\n    \n    m = X.shape[0]\n    class_y = np.zeros((m,num_labels))      # 数据的y对应0-9，需要映射为0\u002F1的关系\n    # 映射y\n    for i in range(num_labels):\n        class_y[:,i] = np.int32(y==i).reshape(1,-1) # 注意reshape(1,-1)才可以赋值\n     \n    '''去掉theta1和theta2的第一列，因为正则化时从1开始'''    \n    Theta1_colCount = Theta1.shape[1]    \n    Theta1_x = Theta1[:,1:Theta1_colCount]\n    Theta2_colCount = Theta2.shape[1]    \n    Theta2_x = Theta2[:,1:Theta2_colCount]\n    # 正则化向theta^2\n    term = np.dot(np.transpose(np.vstack((Theta1_x.reshape(-1,1),Theta2_x.reshape(-1,1)))),np.vstack((Theta1_x.reshape(-1,1),Theta2_x.reshape(-1,1))))\n    \n    '''正向传播,每次需要补上一列1的偏置bias'''\n    a1 = np.hstack((np.ones((m,1)),X))      \n    z2 = np.dot(a1,np.transpose(Theta1))    \n    a2 = sigmoid(z2)\n    a2 = np.hstack((np.ones((m,1)),a2))\n    z3 = np.dot(a2,np.transpose(Theta2))\n    h  = sigmoid(z3)    \n    '''代价'''    \n    J = -(np.dot(np.transpose(class_y.reshape(-1,1)),np.log(h.reshape(-1,1)))+np.dot(np.transpose(1-class_y.reshape(-1,1)),np.log(1-h.reshape(-1,1)))-Lambda*term\u002F2)\u002Fm   \n    \n    return np.ravel(J)\n```\n\n### 4、反向传播BP\n- 上面正向传播可以计算得到`J(θ)`,使用梯度下降法还需要求它的梯度\n- BP反向传播的目的就是求代价函数的梯度\n- 假设4层的神经网络,![\\delta _{\\text{j}}^{(l)}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%5Cdelta%20_%7B%5Ctext%7Bj%7D%7D%5E%7B%28l%29%7D)记为-->`l`层第`j`个单元的误差\n - ![\\delta _{\\text{j}}^{(4)} = a_j^{(4)} - {y_i}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%5Cdelta%20_%7B%5Ctext%7Bj%7D%7D%5E%7B%284%29%7D%20%3D%20a_j%5E%7B%284%29%7D%20-%20%7By_i%7D)《===》![{\\delta ^{(4)}} = {a^{(4)}} - y](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%5Cdelta%20%5E%7B%284%29%7D%7D%20%3D%20%7Ba%5E%7B%284%29%7D%7D%20-%20y)（向量化）\n - ![{\\delta ^{(3)}} = {({\\theta ^{(3)}})^T}{\\delta ^{(4)}}.*{g^}({a^{(3)}})](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%5Cdelta%20%5E%7B%283%29%7D%7D%20%3D%20%7B%28%7B%5Ctheta%20%5E%7B%283%29%7D%7D%29%5ET%7D%7B%5Cdelta%20%5E%7B%284%29%7D%7D.%2A%7Bg%5E%7D%28%7Ba%5E%7B%283%29%7D%7D%29)\n - ![{\\delta ^{(2)}} = {({\\theta ^{(2)}})^T}{\\delta ^{(3)}}.*{g^}({a^{(2)}})](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%5Cdelta%20%5E%7B%282%29%7D%7D%20%3D%20%7B%28%7B%5Ctheta%20%5E%7B%282%29%7D%7D%29%5ET%7D%7B%5Cdelta%20%5E%7B%283%29%7D%7D.%2A%7Bg%5E%7D%28%7Ba%5E%7B%282%29%7D%7D%29)\n - 没有![{\\delta ^{(1)}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%5Cdelta%20%5E%7B%281%29%7D%7D)，因为对于输入没有误差\n- 因为S型函数![{\\text{g(z)}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%5Ctext%7Bg%28z%29%7D%7D)的导数为：![{g^}(z){\\text{ = g(z)(1 - g(z))}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7Bg%5E%7D%28z%29%7B%5Ctext%7B%20%3D%20g%28z%29%281%20-%20g%28z%29%29%7D%7D)，所以上面的![{g^}({a^{(3)}})](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7Bg%5E%7D%28%7Ba%5E%7B%283%29%7D%7D%29)和![{g^}({a^{(2)}})](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7Bg%5E%7D%28%7Ba%5E%7B%282%29%7D%7D%29)可以在前向传播中计算出来\n\n- 反向传播计算梯度的过程为：\n - ![\\Delta _{ij}^{(l)} = 0](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%5CDelta%20_%7Bij%7D%5E%7B%28l%29%7D%20%3D%200)（![\\Delta ](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%5CDelta%20)是大写的![\\delta ](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%5Cdelta%20)）\n - for i=1-m:     \n -![{a^{(1)}} = {x^{(i)}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7Ba%5E%7B%281%29%7D%7D%20%3D%20%7Bx%5E%7B%28i%29%7D%7D)       \n-正向传播计算![{a^{(l)}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7Ba%5E%7B%28l%29%7D%7D)（l=2,3,4...L）      \n-反向计算![{\\delta ^{(L)}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%5Cdelta%20%5E%7B%28L%29%7D%7D)、![{\\delta ^{(L - 1)}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%5Cdelta%20%5E%7B%28L%20-%201%29%7D%7D)...![{\\delta ^{(2)}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%5Cdelta%20%5E%7B%282%29%7D%7D)；       \n-![\\Delta _{ij}^{(l)} = \\Delta _{ij}^{(l)} + a_j^{(l)}{\\delta ^{(l + 1)}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%5CDelta%20_%7Bij%7D%5E%7B%28l%29%7D%20%3D%20%5CDelta%20_%7Bij%7D%5E%7B%28l%29%7D%20%2B%20a_j%5E%7B%28l%29%7D%7B%5Cdelta%20%5E%7B%28l%20%2B%201%29%7D%7D)          \n-![D_{ij}^{(l)} = \\frac{1}{m}\\Delta _{ij}^{(l)} + \\lambda \\theta _{ij}^l\\begin{array}{c}    {}& {(j \\ne 0)}  \\end{array} ](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=D_%7Bij%7D%5E%7B%28l%29%7D%20%3D%20%5Cfrac%7B1%7D%7Bm%7D%5CDelta%20_%7Bij%7D%5E%7B%28l%29%7D%20%2B%20%5Clambda%20%5Ctheta%20_%7Bij%7D%5El%5Cbegin%7Barray%7D%7Bc%7D%20%20%20%20%7B%7D%26%20%7B%28j%20%5Cne%200%29%7D%20%20%5Cend%7Barray%7D%20)      \n![D_{ij}^{(l)} = \\frac{1}{m}\\Delta _{ij}^{(l)} + \\lambda \\theta _{ij}^lj = 0\\begin{array}{c}    {}& {j = 0}  \\end{array} ](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=D_%7Bij%7D%5E%7B%28l%29%7D%20%3D%20%5Cfrac%7B1%7D%7Bm%7D%5CDelta%20_%7Bij%7D%5E%7B%28l%29%7D%20%2B%20%5Clambda%20%5Ctheta%20_%7Bij%7D%5Elj%20%3D%200%5Cbegin%7Barray%7D%7Bc%7D%20%20%20%20%7B%7D%26%20%7Bj%20%3D%200%7D%20%20%5Cend%7Barray%7D%20)     \n\n- 最后![\\frac{{\\partial J(\\Theta )}}{{\\partial \\Theta _{ij}^{(l)}}} = D_{ij}^{(l)}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%5Cfrac%7B%7B%5Cpartial%20J%28%5CTheta%20%29%7D%7D%7B%7B%5Cpartial%20%5CTheta%20_%7Bij%7D%5E%7B%28l%29%7D%7D%7D%20%3D%20D_%7Bij%7D%5E%7B%28l%29%7D)，即得到代价函数的梯度\n- 实现代码：\n```\n# 梯度\ndef nnGradient(nn_params,input_layer_size,hidden_layer_size,num_labels,X,y,Lambda):\n    length = nn_params.shape[0]\n    Theta1 = nn_params[0:hidden_layer_size*(input_layer_size+1)].reshape(hidden_layer_size,input_layer_size+1).copy()   # 这里使用copy函数，否则下面修改Theta的值，nn_params也会一起修改\n    Theta2 = nn_params[hidden_layer_size*(input_layer_size+1):length].reshape(num_labels,hidden_layer_size+1).copy()\n    m = X.shape[0]\n    class_y = np.zeros((m,num_labels))      # 数据的y对应0-9，需要映射为0\u002F1的关系    \n    # 映射y\n    for i in range(num_labels):\n        class_y[:,i] = np.int32(y==i).reshape(1,-1) # 注意reshape(1,-1)才可以赋值\n     \n    '''去掉theta1和theta2的第一列，因为正则化时从1开始'''\n    Theta1_colCount = Theta1.shape[1]    \n    Theta1_x = Theta1[:,1:Theta1_colCount]\n    Theta2_colCount = Theta2.shape[1]    \n    Theta2_x = Theta2[:,1:Theta2_colCount]\n    \n    Theta1_grad = np.zeros((Theta1.shape))  #第一层到第二层的权重\n    Theta2_grad = np.zeros((Theta2.shape))  #第二层到第三层的权重\n      \n   \n    '''正向传播，每次需要补上一列1的偏置bias'''\n    a1 = np.hstack((np.ones((m,1)),X))\n    z2 = np.dot(a1,np.transpose(Theta1))\n    a2 = sigmoid(z2)\n    a2 = np.hstack((np.ones((m,1)),a2))\n    z3 = np.dot(a2,np.transpose(Theta2))\n    h  = sigmoid(z3)\n    \n    \n    '''反向传播，delta为误差，'''\n    delta3 = np.zeros((m,num_labels))\n    delta2 = np.zeros((m,hidden_layer_size))\n    for i in range(m):\n        #delta3[i,:] = (h[i,:]-class_y[i,:])*sigmoidGradient(z3[i,:])  # 均方误差的误差率\n        delta3[i,:] = h[i,:]-class_y[i,:]                              # 交叉熵误差率\n        Theta2_grad = Theta2_grad+np.dot(np.transpose(delta3[i,:].reshape(1,-1)),a2[i,:].reshape(1,-1))\n        delta2[i,:] = np.dot(delta3[i,:].reshape(1,-1),Theta2_x)*sigmoidGradient(z2[i,:])\n        Theta1_grad = Theta1_grad+np.dot(np.transpose(delta2[i,:].reshape(1,-1)),a1[i,:].reshape(1,-1))\n    \n    Theta1[:,0] = 0\n    Theta2[:,0] = 0          \n    '''梯度'''\n    grad = (np.vstack((Theta1_grad.reshape(-1,1),Theta2_grad.reshape(-1,1)))+Lambda*np.vstack((Theta1.reshape(-1,1),Theta2.reshape(-1,1))))\u002Fm\n    return np.ravel(grad)\n```\n\n### 5、BP可以求梯度的原因\n- 实际是利用了`链式求导`法则\n- 因为下一层的单元利用上一层的单元作为输入进行计算\n- 大体的推导过程如下，最终我们是想预测函数与已知的`y`非常接近，求均方差的梯度沿着此梯度方向可使代价函数最小化。可对照上面求梯度的过程。\n![enter description here][17]\n- 求误差更详细的推导过程：\n![enter description here][18]\n\n### 6、梯度检查\n- 检查利用`BP`求的梯度是否正确\n- 利用导数的定义验证：\n![\\frac{{dJ(\\theta )}}{{d\\theta }} \\approx \\frac{{J(\\theta  + \\varepsilon ) - J(\\theta  - \\varepsilon )}}{{2\\varepsilon }}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%5Cfrac%7B%7BdJ%28%5Ctheta%20%29%7D%7D%7B%7Bd%5Ctheta%20%7D%7D%20%5Capprox%20%5Cfrac%7B%7BJ%28%5Ctheta%20%20%2B%20%5Cvarepsilon%20%29%20-%20J%28%5Ctheta%20%20-%20%5Cvarepsilon%20%29%7D%7D%7B%7B2%5Cvarepsilon%20%7D%7D)\n- 求出来的数值梯度应该与BP求出的梯度非常接近\n- 验证BP正确后就不需要再执行验证梯度的算法了\n- 实现代码：\n```\n# 检验梯度是否计算正确\n# 检验梯度是否计算正确\ndef checkGradient(Lambda = 0):\n    '''构造一个小型的神经网络验证，因为数值法计算梯度很浪费时间，而且验证正确后之后就不再需要验证了'''\n    input_layer_size = 3\n    hidden_layer_size = 5\n    num_labels = 3\n    m = 5\n    initial_Theta1 = debugInitializeWeights(input_layer_size,hidden_layer_size); \n    initial_Theta2 = debugInitializeWeights(hidden_layer_size,num_labels)\n    X = debugInitializeWeights(input_layer_size-1,m)\n    y = 1+np.transpose(np.mod(np.arange(1,m+1), num_labels))# 初始化y\n    \n    y = y.reshape(-1,1)\n    nn_params = np.vstack((initial_Theta1.reshape(-1,1),initial_Theta2.reshape(-1,1)))  #展开theta \n    '''BP求出梯度'''\n    grad = nnGradient(nn_params, input_layer_size, hidden_layer_size, \n                     num_labels, X, y, Lambda)  \n    '''使用数值法计算梯度'''\n    num_grad = np.zeros((nn_params.shape[0]))\n    step = np.zeros((nn_params.shape[0]))\n    e = 1e-4\n    for i in range(nn_params.shape[0]):\n        step[i] = e\n        loss1 = nnCostFunction(nn_params-step.reshape(-1,1), input_layer_size, hidden_layer_size, \n                              num_labels, X, y, \n                              Lambda)\n        loss2 = nnCostFunction(nn_params+step.reshape(-1,1), input_layer_size, hidden_layer_size, \n                              num_labels, X, y, \n                              Lambda)\n        num_grad[i] = (loss2-loss1)\u002F(2*e)\n        step[i]=0\n    # 显示两列比较\n    res = np.hstack((num_grad.reshape(-1,1),grad.reshape(-1,1)))\n    print res\n```\n\n### 7、权重的随机初始化\n- 神经网络不能像逻辑回归那样初始化`theta`为`0`,因为若是每条边的权重都为0，每个神经元都是相同的输出，在反向传播中也会得到同样的梯度，最终只会预测一种结果。\n- 所以应该初始化为接近0的数\n- 实现代码\n```\n# 随机初始化权重theta\ndef randInitializeWeights(L_in,L_out):\n    W = np.zeros((L_out,1+L_in))    # 对应theta的权重\n    epsilon_init = (6.0\u002F(L_out+L_in))**0.5\n    W = np.random.rand(L_out,1+L_in)*2*epsilon_init-epsilon_init # np.random.rand(L_out,1+L_in)产生L_out*(1+L_in)大小的随机矩阵\n    return W\n```\n\n### 8、预测\n- 正向传播预测结果\n- 实现代码\n```\n# 预测\ndef predict(Theta1,Theta2,X):\n    m = X.shape[0]\n    num_labels = Theta2.shape[0]\n    #p = np.zeros((m,1))\n    '''正向传播，预测结果'''\n    X = np.hstack((np.ones((m,1)),X))\n    h1 = sigmoid(np.dot(X,np.transpose(Theta1)))\n    h1 = np.hstack((np.ones((m,1)),h1))\n    h2 = sigmoid(np.dot(h1,np.transpose(Theta2)))\n    \n    '''\n    返回h中每一行最大值所在的列号\n    - np.max(h, axis=1)返回h中每一行的最大值（是某个数字的最大概率）\n    - 最后where找到的最大概率所在的列号（列号即是对应的数字）\n    '''\n    #np.savetxt(\"h2.csv\",h2,delimiter=',')\n    p = np.array(np.where(h2[0,:] == np.max(h2, axis=1)[0]))  \n    for i in np.arange(1, m):\n        t = np.array(np.where(h2[i,:] == np.max(h2, axis=1)[i]))\n        p = np.vstack((p,t))\n    return p \n```\n\n### 9、输出结果\n- 梯度检查：     \n![enter description here][19]\n- 随机显示100个手写数字     \n![enter description here][20]\n- 显示theta1权重     \n![enter description here][21]\n- 训练集预测准确度     \n![enter description here][22]\n- 归一化后训练集预测准确度     \n![enter description here][23]\n\n--------------------\n\n## 四、SVM支持向量机\n\n### 1、代价函数\n- 在逻辑回归中，我们的代价为：   \n![\\cos t({h_\\theta }(x),y) = \\left\\{ {\\begin{array}{c}    { - \\log ({h_\\theta }(x))} \\\\    { - \\log (1 - {h_\\theta }(x))}  \\end{array} \\begin{array}{c}    {y = 1} \\\\    {y = 0}  \\end{array} } \\right.](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%5Ccos%20t%28%7Bh_%5Ctheta%20%7D%28x%29%2Cy%29%20%3D%20%5Cleft%5C%7B%20%7B%5Cbegin%7Barray%7D%7Bc%7D%20%20%20%20%7B%20-%20%5Clog%20%28%7Bh_%5Ctheta%20%7D%28x%29%29%7D%20%5C%5C%20%20%20%20%7B%20-%20%5Clog%20%281%20-%20%7Bh_%5Ctheta%20%7D%28x%29%29%7D%20%20%5Cend%7Barray%7D%20%5Cbegin%7Barray%7D%7Bc%7D%20%20%20%20%7By%20%3D%201%7D%20%5C%5C%20%20%20%20%7By%20%3D%200%7D%20%20%5Cend%7Barray%7D%20%7D%20%5Cright.)，    \n其中：![{h_\\theta }({\\text{z}}) = \\frac{1}{{1 + {e^{ - z}}}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7Bh_%5Ctheta%20%7D%28%7B%5Ctext%7Bz%7D%7D%29%20%3D%20%5Cfrac%7B1%7D%7B%7B1%20%2B%20%7Be%5E%7B%20-%20z%7D%7D%7D%7D)，![z = {\\theta ^T}x](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=z%20%3D%20%7B%5Ctheta%20%5ET%7Dx)\n- 如图所示，如果`y=1`，`cost`代价函数如图所示    \n![enter description here][24]    \n我们想让![{\\theta ^T}x >  > 0](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%5Ctheta%20%5ET%7Dx%20%3E%20%20%3E%200)，即`z>>0`，这样的话`cost`代价函数才会趋于最小（这是我们想要的），所以用途中**红色**的函数![\\cos {t_1}(z)](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%5Ccos%20%7Bt_1%7D%28z%29)代替逻辑回归中的cost\n- 当`y=0`时同样，用![\\cos {t_0}(z)](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%5Ccos%20%7Bt_0%7D%28z%29)代替\n![enter description here][25]\n- 最终得到的代价函数为：    \n![J(\\theta ) = C\\sum\\limits_{i = 1}^m {[{y^{(i)}}\\cos {t_1}({\\theta ^T}{x^{(i)}}) + (1 - {y^{(i)}})\\cos {t_0}({\\theta ^T}{x^{(i)}})} ] + \\frac{1}{2}\\sum\\limits_{j = 1}^{\\text{n}} {\\theta _j^2} ](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=J%28%5Ctheta%20%29%20%3D%20C%5Csum%5Climits_%7Bi%20%3D%201%7D%5Em%20%7B%5B%7By%5E%7B%28i%29%7D%7D%5Ccos%20%7Bt_1%7D%28%7B%5Ctheta%20%5ET%7D%7Bx%5E%7B%28i%29%7D%7D%29%20%2B%20%281%20-%20%7By%5E%7B%28i%29%7D%7D%29%5Ccos%20%7Bt_0%7D%28%7B%5Ctheta%20%5ET%7D%7Bx%5E%7B%28i%29%7D%7D%29%7D%20%5D%20%2B%20%5Cfrac%7B1%7D%7B2%7D%5Csum%5Climits_%7Bj%20%3D%201%7D%5E%7B%5Ctext%7Bn%7D%7D%20%7B%5Ctheta%20_j%5E2%7D%20)   \n最后我们想要![\\mathop {\\min }\\limits_\\theta  J(\\theta )](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_bcaff0e12a22.png)\n- 之前我们逻辑回归中的代价函数为：   \n![J(\\theta ) =  - \\frac{1}{m}\\sum\\limits_{i = 1}^m {[{y^{(i)}}\\log ({h_\\theta }({x^{(i)}}) + (1 - } {y^{(i)}})\\log (1 - {h_\\theta }({x^{(i)}})] + \\frac{\\lambda }{{2m}}\\sum\\limits_{j = 1}^n {\\theta _j^2} ](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=J%28%5Ctheta%20%29%20%3D%20%20-%20%5Cfrac%7B1%7D%7Bm%7D%5Csum%5Climits_%7Bi%20%3D%201%7D%5Em%20%7B%5B%7By%5E%7B%28i%29%7D%7D%5Clog%20%28%7Bh_%5Ctheta%20%7D%28%7Bx%5E%7B%28i%29%7D%7D%29%20%2B%20%281%20-%20%7D%20%7By%5E%7B%28i%29%7D%7D%29%5Clog%20%281%20-%20%7Bh_%5Ctheta%20%7D%28%7Bx%5E%7B%28i%29%7D%7D%29%5D%20%2B%20%5Cfrac%7B%5Clambda%20%7D%7B%7B2m%7D%7D%5Csum%5Climits_%7Bj%20%3D%201%7D%5En%20%7B%5Ctheta%20_j%5E2%7D%20)   \n可以认为这里的![C = \\frac{m}{\\lambda }](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=C%20%3D%20%5Cfrac%7Bm%7D%7B%5Clambda%20%7D)，只是表达形式问题，这里`C`的值越大，SVM的决策边界的`margin`也越大，下面会说明\n\n### 2、大间隔\n- 如下图所示，SVM分类会使用最大的`margin`将其分开    \n![enter description here][26]\n- 先说一下向量内积\n - ![u = \\left[ {\\begin{array}{c}    {{u_1}} \\\\    {{u_2}}  \\end{array} } \\right]](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=u%20%3D%20%5Cleft%5B%20%7B%5Cbegin%7Barray%7D%7Bc%7D%20%20%20%20%7B%7Bu_1%7D%7D%20%5C%5C%20%20%20%20%7B%7Bu_2%7D%7D%20%20%5Cend%7Barray%7D%20%7D%20%5Cright%5D)，![v = \\left[ {\\begin{array}{c}    {{v_1}} \\\\    {{v_2}}  \\end{array} } \\right]](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=v%20%3D%20%5Cleft%5B%20%7B%5Cbegin%7Barray%7D%7Bc%7D%20%20%20%20%7B%7Bv_1%7D%7D%20%5C%5C%20%20%20%20%7B%7Bv_2%7D%7D%20%20%5Cend%7Barray%7D%20%7D%20%5Cright%5D)    \n - ![||u||](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7C%7Cu%7C%7C)表示`u`的**欧几里得范数**（欧式范数），![||u||{\\text{ = }}\\sqrt {{\\text{u}}_1^2 + u_2^2} ](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7C%7Cu%7C%7C%7B%5Ctext%7B%20%3D%20%7D%7D%5Csqrt%20%7B%7B%5Ctext%7Bu%7D%7D_1%5E2%20%2B%20u_2%5E2%7D%20)\n - `向量V`在`向量u`上的投影的长度记为`p`，则：向量内积：    \n ![{{\\text{u}}^T}v = p||u|| = {u_1}{v_1} + {u_2}{v_2}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%7B%5Ctext%7Bu%7D%7D%5ET%7Dv%20%3D%20p%7C%7Cu%7C%7C%20%3D%20%7Bu_1%7D%7Bv_1%7D%20%2B%20%7Bu_2%7D%7Bv_2%7D%20%5D)      \n ![enter description here][27]  \n根据向量夹角公式推导一下即可，![\\cos \\theta  = \\frac{{\\overrightarrow {\\text{u}} \\overrightarrow v }}{{|\\overrightarrow {\\text{u}} ||\\overrightarrow v |}}](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_3c04fc94a8bb.png)\n\n- 前面说过，当`C`越大时，`margin`也就越大，我们的目的是最小化代价函数`J(θ)`,当`margin`最大时，`C`的乘积项![\\sum\\limits_{i = 1}^m {[{y^{(i)}}\\cos {t_1}({\\theta ^T}{x^{(i)}}) + (1 - {y^{(i)}})\\cos {t_0}({\\theta ^T}{x^{(i)}})} ]](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%5Csum%5Climits_%7Bi%20%3D%201%7D%5Em%20%7B%5B%7By%5E%7B%28i%29%7D%7D%5Ccos%20%7Bt_1%7D%28%7B%5Ctheta%20%5ET%7D%7Bx%5E%7B%28i%29%7D%7D%29%20%2B%20%281%20-%20%7By%5E%7B%28i%29%7D%7D%29%5Ccos%20%7Bt_0%7D%28%7B%5Ctheta%20%5ET%7D%7Bx%5E%7B%28i%29%7D%7D%29%7D%20%5D)要很小，所以近似为：   \n![J(\\theta ) = C0 + \\frac{1}{2}\\sum\\limits_{j = 1}^{\\text{n}} {\\theta _j^2}  = \\frac{1}{2}\\sum\\limits_{j = 1}^{\\text{n}} {\\theta _j^2}  = \\frac{1}{2}(\\theta _1^2 + \\theta _2^2) = \\frac{1}{2}{\\sqrt {\\theta _1^2 + \\theta _2^2} ^2}](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_26db73d7b751.png)，      \n我们最后的目的就是求使代价最小的`θ`\n- 由   \n![\\left\\{ {\\begin{array}{c}    {{\\theta ^T}{x^{(i)}} \\geqslant 1} \\\\    {{\\theta ^T}{x^{(i)}} \\leqslant  - 1}  \\end{array} } \\right.\\begin{array}{c}    {({y^{(i)}} = 1)} \\\\    {({y^{(i)}} = 0)}  \\end{array} ](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_00b7f5099d09.png)%20可以得到：    \n![\\left\\{ {\\begin{array}{c}    {{p^{(i)}}||\\theta || \\geqslant 1} \\\\    {{p^{(i)}}||\\theta || \\leqslant  - 1}  \\end{array} } \\right.\\begin{array}{c}    {({y^{(i)}} = 1)} \\\\    {({y^{(i)}} = 0)}  \\end{array} ](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_99c5228d15fa.png)%20，`p`即为`x`在`θ`上的投影\n- 如下图所示，假设决策边界如图，找其中的一个点，到`θ`上的投影为`p`,则![p||\\theta || \\geqslant 1](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_66b093d0d423.png)或者![p||\\theta || \\leqslant  - 1](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_9493e582d88d.png)，若是`p`很小，则需要![||\\theta ||](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7C%7C%5Ctheta%20%7C%7C)很大，这与我们要求的`θ`使![||\\theta || = \\frac{1}{2}\\sqrt {\\theta _1^2 + \\theta _2^2} ](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_6cc22ce85cf8.png%20%5E2%7D%20%5D)最小相违背，**所以**最后求的是`large margin`   \n![enter description here][28]\n\n### 3、SVM核函数\n- 对于线性可分的问题，使用**线性核函数**即可\n- 对于线性不可分的问题，在逻辑回归中，我们是将`feature`映射为使用多项式的形式![1 + {x_1} + {x_2} + x_1^2 + {x_1}{x_2} + x_2^2](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=1%20%2B%20%7Bx_1%7D%20%2B%20%7Bx_2%7D%20%2B%20x_1%5E2%20%2B%20%7Bx_1%7D%7Bx_2%7D%20%2B%20x_2%5E2)，`SVM`中也有**多项式核函数**，但是更常用的是**高斯核函数**，也称为**RBF核**\n- 高斯核函数为：![f(x) = {e^{ - \\frac{{||x - u|{|^2}}}{{2{\\sigma ^2}}}}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=f%28x%29%20%3D%20%7Be%5E%7B%20-%20%5Cfrac%7B%7B%7C%7Cx%20-%20u%7C%7B%7C%5E2%7D%7D%7D%7B%7B2%7B%5Csigma%20%5E2%7D%7D%7D%7D%7D)     \n假设如图几个点，\n![enter description here][29]\n令：   \n![{f_1} = similarity(x,{l^{(1)}}) = {e^{ - \\frac{{||x - {l^{(1)}}|{|^2}}}{{2{\\sigma ^2}}}}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7Bf_1%7D%20%3D%20similarity%28x%2C%7Bl%5E%7B%281%29%7D%7D%29%20%3D%20%7Be%5E%7B%20-%20%5Cfrac%7B%7B%7C%7Cx%20-%20%7Bl%5E%7B%281%29%7D%7D%7C%7B%7C%5E2%7D%7D%7D%7B%7B2%7B%5Csigma%20%5E2%7D%7D%7D%7D%7D)\n![{f_2} = similarity(x,{l^{(2)}}) = {e^{ - \\frac{{||x - {l^{(2)}}|{|^2}}}{{2{\\sigma ^2}}}}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7Bf_2%7D%20%3D%20similarity%28x%2C%7Bl%5E%7B%282%29%7D%7D%29%20%3D%20%7Be%5E%7B%20-%20%5Cfrac%7B%7B%7C%7Cx%20-%20%7Bl%5E%7B%282%29%7D%7D%7C%7B%7C%5E2%7D%7D%7D%7B%7B2%7B%5Csigma%20%5E2%7D%7D%7D%7D%7D)\n.\n.\n.\n- 可以看出，若是`x`与![{l^{(1)}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7Bl%5E%7B%281%29%7D%7D)距离较近，==》![{f_1} \\approx {e^0} = 1](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7Bf_1%7D%20%5Capprox%20%7Be%5E0%7D%20%3D%201)，（即相似度较大）   \n若是`x`与![{l^{(1)}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7Bl%5E%7B%281%29%7D%7D)距离较远，==》![{f_2} \\approx {e^{ - \\infty }} = 0](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7Bf_2%7D%20%5Capprox%20%7Be%5E%7B%20-%20%5Cinfty%20%7D%7D%20%3D%200)，（即相似度较低）\n- 高斯核函数的`σ`越小，`f`下降的越快      \n![enter description here][30]\n![enter description here][31]\n\n- 如何选择初始的![{l^{(1)}}{l^{(2)}}{l^{(3)}}...](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7Bl%5E%7B%281%29%7D%7D%7Bl%5E%7B%282%29%7D%7D%7Bl%5E%7B%283%29%7D%7D...)\n - 训练集：![(({x^{(1)}},{y^{(1)}}),({x^{(2)}},{y^{(2)}}),...({x^{(m)}},{y^{(m)}}))](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%28%28%7Bx%5E%7B%281%29%7D%7D%2C%7By%5E%7B%281%29%7D%7D%29%2C%28%7Bx%5E%7B%282%29%7D%7D%2C%7By%5E%7B%282%29%7D%7D%29%2C...%28%7Bx%5E%7B%28m%29%7D%7D%2C%7By%5E%7B%28m%29%7D%7D%29%29)\n - 选择：![{l^{(1)}} = {x^{(1)}},{l^{(2)}} = {x^{(2)}}...{l^{(m)}} = {x^{(m)}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7Bl%5E%7B%281%29%7D%7D%20%3D%20%7Bx%5E%7B%281%29%7D%7D%2C%7Bl%5E%7B%282%29%7D%7D%20%3D%20%7Bx%5E%7B%282%29%7D%7D...%7Bl%5E%7B%28m%29%7D%7D%20%3D%20%7Bx%5E%7B%28m%29%7D%7D)\n - 对于给出的`x`，计算`f`,令：![f_0^{(i)} = 1](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=f_0%5E%7B%28i%29%7D%20%3D%201)所以：![{f^{(i)}} \\in {R^{m + 1}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7Bf%5E%7B%28i%29%7D%7D%20%5Cin%20%7BR%5E%7Bm%20%2B%201%7D%7D)\n - 最小化`J`求出`θ`，          \n ![J(\\theta ) = C\\sum\\limits_{i = 1}^m {[{y^{(i)}}\\cos {t_1}({\\theta ^T}{f^{(i)}}) + (1 - {y^{(i)}})\\cos {t_0}({\\theta ^T}{f^{(i)}})} ] + \\frac{1}{2}\\sum\\limits_{j = 1}^{\\text{n}} {\\theta _j^2} ](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=J%28%5Ctheta%20%29%20%3D%20C%5Csum%5Climits_%7Bi%20%3D%201%7D%5Em%20%7B%5B%7By%5E%7B%28i%29%7D%7D%5Ccos%20%7Bt_1%7D%28%7B%5Ctheta%20%5ET%7D%7Bf%5E%7B%28i%29%7D%7D%29%20%2B%20%281%20-%20%7By%5E%7B%28i%29%7D%7D%29%5Ccos%20%7Bt_0%7D%28%7B%5Ctheta%20%5ET%7D%7Bf%5E%7B%28i%29%7D%7D%29%7D%20%5D%20%2B%20%5Cfrac%7B1%7D%7B2%7D%5Csum%5Climits_%7Bj%20%3D%201%7D%5E%7B%5Ctext%7Bn%7D%7D%20%7B%5Ctheta%20_j%5E2%7D%20)\n - 如果![{\\theta ^T}f \\geqslant 0](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_d2ef3e09b9df.png)，==》预测`y=1`\n\n### 4、使用`scikit-learn`中的`SVM`模型代码\n- [全部代码](\u002FSVM\u002FSVM_scikit-learn.py)\n- 线性可分的,指定核函数为`linear`：\n```\n    '''data1——线性分类'''\n    data1 = spio.loadmat('data1.mat')\n    X = data1['X']\n    y = data1['y']\n    y = np.ravel(y)\n    plot_data(X,y)\n    \n    model = svm.SVC(C=1.0,kernel='linear').fit(X,y) # 指定核函数为线性核函数\n```\n- 非线性可分的，默认核函数为`rbf`\n```\n    '''data2——非线性分类'''\n    data2 = spio.loadmat('data2.mat')\n    X = data2['X']\n    y = data2['y']\n    y = np.ravel(y)\n    plt = plot_data(X,y)\n    plt.show()\n    \n    model = svm.SVC(gamma=100).fit(X,y)     # gamma为核函数的系数，值越大拟合的越好\n```\n### 5、运行结果\n- 线性可分的决策边界：    \n![enter description here][32]\n- 线性不可分的决策边界：   \n![enter description here][33]\n\n--------------------------\n\n## 五、K-Means聚类算法\n- [全部代码](\u002FK-Means\u002FK-Menas.py)\n\n### 1、聚类过程\n- 聚类属于无监督学习，不知道y的标记分为K类\n- K-Means算法分为两个步骤\n - 第一步：簇分配，随机选`K`个点作为中心，计算到这`K`个点的距离，分为`K`个簇\n - 第二步：移动聚类中心：重新计算每个**簇**的中心，移动中心，重复以上步骤。\n- 如下图所示：\n - 随机分配的聚类中心  \n ![enter description here][34]\n - 重新计算聚类中心，移动一次  \n ![enter description here][35]\n - 最后`10`步之后的聚类中心  \n ![enter description here][36]\n\n- 计算每条数据到哪个中心最近实现代码：\n```\n# 找到每条数据距离哪个类中心最近    \ndef findClosestCentroids(X,initial_centroids):\n    m = X.shape[0]                  # 数据条数\n    K = initial_centroids.shape[0]  # 类的总数\n    dis = np.zeros((m,K))           # 存储计算每个点分别到K个类的距离\n    idx = np.zeros((m,1))           # 要返回的每条数据属于哪个类\n    \n    '''计算每个点到每个类中心的距离'''\n    for i in range(m):\n        for j in range(K):\n            dis[i,j] = np.dot((X[i,:]-initial_centroids[j,:]).reshape(1,-1),(X[i,:]-initial_centroids[j,:]).reshape(-1,1))\n    \n    '''返回dis每一行的最小值对应的列号，即为对应的类别\n    - np.min(dis, axis=1)返回每一行的最小值\n    - np.where(dis == np.min(dis, axis=1).reshape(-1,1)) 返回对应最小值的坐标\n     - 注意：可能最小值对应的坐标有多个，where都会找出来，所以返回时返回前m个需要的即可（因为对于多个最小值，属于哪个类别都可以）\n    '''  \n    dummy,idx = np.where(dis == np.min(dis, axis=1).reshape(-1,1))\n    return idx[0:dis.shape[0]]  # 注意截取一下\n```\n- 计算类中心实现代码：\n```\n# 计算类中心\ndef computerCentroids(X,idx,K):\n    n = X.shape[1]\n    centroids = np.zeros((K,n))\n    for i in range(K):\n        centroids[i,:] = np.mean(X[np.ravel(idx==i),:], axis=0).reshape(1,-1)   # 索引要是一维的,axis=0为每一列，idx==i一次找出属于哪一类的，然后计算均值\n    return centroids\n```\n\n### 2、目标函数\n- 也叫做**失真代价函数**\n- ![J({c^{(1)}}, \\cdots ,{c^{(m)}},{u_1}, \\cdots ,{u_k}) = \\frac{1}{m}\\sum\\limits_{i = 1}^m {||{x^{(i)}} - {u_{{c^{(i)}}}}|{|^2}} ](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=J%28%7Bc%5E%7B%281%29%7D%7D%2C%20%5Ccdots%20%2C%7Bc%5E%7B%28m%29%7D%7D%2C%7Bu_1%7D%2C%20%5Ccdots%20%2C%7Bu_k%7D%29%20%3D%20%5Cfrac%7B1%7D%7Bm%7D%5Csum%5Climits_%7Bi%20%3D%201%7D%5Em%20%7B%7C%7C%7Bx%5E%7B%28i%29%7D%7D%20-%20%7Bu_%7B%7Bc%5E%7B%28i%29%7D%7D%7D%7D%7C%7B%7C%5E2%7D%7D%20)\n- 最后我们想得到：  \n![enter description here][37]\n- 其中![{c^{(i)}}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7Bc%5E%7B%28i%29%7D%7D)表示第`i`条数据距离哪个类中心最近，\n- 其中![{u_i}](http:\u002F\u002Fchart.apis.google.com\u002Fchart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7Bu_i%7D)即为聚类的中心\n\n### 3、聚类中心的选择\n- 随机初始化，从给定的数据中随机抽取K个作为聚类中心\n- 随机一次的结果可能不好，可以随机多次，最后取使代价函数最小的作为中心\n- 实现代码：(这里随机一次)\n```\n# 初始化类中心--随机取K个点作为聚类中心\ndef kMeansInitCentroids(X,K):\n    m = X.shape[0]\n    m_arr = np.arange(0,m)      # 生成0-m-1\n    centroids = np.zeros((K,X.shape[1]))\n    np.random.shuffle(m_arr)    # 打乱m_arr顺序    \n    rand_indices = m_arr[:K]    # 取前K个\n    centroids = X[rand_indices,:]\n    return centroids\n```\n\n### 4、聚类个数K的选择\n- 聚类是不知道y的label的，所以不知道真正的聚类个数\n- 肘部法则（Elbow method）\n - 作代价函数`J`和`K`的图，若是出现一个拐点，如下图所示，`K`就取拐点处的值，下图此时`K=3`\n ![enter description here][38]\n - 若是很平滑就不明确，人为选择。\n- 第二种就是人为观察选择\n\n### 5、应用——图片压缩\n- 将图片的像素分为若干类，然后用这个类代替原来的像素值\n- 执行聚类的算法代码：\n```\n# 聚类算法\ndef runKMeans(X,initial_centroids,max_iters,plot_process):\n    m,n = X.shape                   # 数据条数和维度\n    K = initial_centroids.shape[0]  # 类数\n    centroids = initial_centroids   # 记录当前类中心\n    previous_centroids = centroids  # 记录上一次类中心\n    idx = np.zeros((m,1))           # 每条数据属于哪个类\n    \n    for i in range(max_iters):      # 迷代次数\n        print u'迭代计算次数：%d'%(i+1)\n        idx = findClosestCentroids(X, centroids)\n        if plot_process:    # 如果绘制图像\n            plt = plotProcessKMeans(X,centroids,previous_centroids) # 画聚类中心的移动过程\n            previous_centroids = centroids  # 重置\n        centroids = computerCentroids(X, idx, K)    # 重新计算类中心\n    if plot_process:    # 显示最终的绘制结果\n        plt.show()\n    return centroids,idx    # 返回聚类中心和数据属于哪个类\n```\n\n### 6、[使用scikit-learn库中的线性模型实现聚类](\u002FK-Means\u002FK-Means_scikit-learn.py)\n\n- 导入包\n```\n    from sklearn.cluster import KMeans\n```\n- 使用模型拟合数据\n```\n    model = KMeans(n_clusters=3).fit(X) # n_clusters指定3类，拟合数据\n```\n- 聚类中心\n```\n    centroids = model.cluster_centers_  # 聚类中心\n```\n\n### 7、运行结果\n- 二维数据类中心的移动  \n![enter description here][39]\n- 图片压缩  \n![enter description here][40]\n\n\n----------------------\n\n## 六、PCA主成分分析（降维）\n- [全部代码](\u002FPCA\u002FPCA.py)\n\n### 1、用处\n- 数据压缩（Data Compression）,使程序运行更快\n- 可视化数据，例如`3D-->2D`等\n- ......\n\n### 2、2D-->1D，nD-->kD\n- 如下图所示，所有数据点可以投影到一条直线，是**投影距离的平方和**（投影误差）最小\n![enter description here][41]\n- 注意数据需要`归一化`处理\n- 思路是找`1`个`向量u`,所有数据投影到上面使投影距离最小\n- 那么`nD-->kD`就是找`k`个向量![$${u^{(1)}},{u^{(2)}} \\ldots {u^{(k)}}$$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_722562a5f9a8.png)，所有数据投影到上面使投影误差最小\n - eg:3D-->2D,2个向量![$${u^{(1)}},{u^{(2)}}$$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_368a3b3e6bf7.png)就代表一个平面了，所有点投影到这个平面的投影误差最小即可\n\n### 3、主成分分析PCA与线性回归的区别\n- 线性回归是找`x`与`y`的关系，然后用于预测`y`\n- `PCA`是找一个投影面，最小化data到这个投影面的投影误差\n\n### 4、PCA降维过程\n- 数据预处理（均值归一化）\n - 公式：![$${\\rm{x}}_j^{(i)} = {{{\\rm{x}}_j^{(i)} - {u_j}} \\over {{s_j}}}$$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_7c468508e299.png)\n - 就是减去对应feature的均值，然后除以对应特征的标准差（也可以是最大值-最小值）\n - 实现代码：\n ```\n     # 归一化数据\n    def featureNormalize(X):\n        '''（每一个数据-当前列的均值）\u002F当前列的标准差'''\n        n = X.shape[1]\n        mu = np.zeros((1,n));\n        sigma = np.zeros((1,n))\n        \n        mu = np.mean(X,axis=0)\n        sigma = np.std(X,axis=0)\n        for i in range(n):\n            X[:,i] = (X[:,i]-mu[i])\u002Fsigma[i]\n        return X,mu,sigma\n ```\n- 计算`协方差矩阵Σ`（Covariance Matrix）：![$$\\Sigma  = {1 \\over m}\\sum\\limits_{i = 1}^n {{x^{(i)}}{{({x^{(i)}})}^T}} $$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_2cb429820678.png)\n - 注意这里的`Σ`和求和符号不同\n - 协方差矩阵`对称正定`（不理解正定的看看线代）\n - 大小为`nxn`,`n`为`feature`的维度\n - 实现代码：\n ```\n Sigma = np.dot(np.transpose(X_norm),X_norm)\u002Fm  # 求Sigma\n ```\n- 计算`Σ`的特征值和特征向量\n - 可以是用`svd`奇异值分解函数：`U,S,V = svd(Σ)`\n - 返回的是与`Σ`同样大小的对角阵`S`（由`Σ`的特征值组成）[**注意**：`matlab`中函数返回的是对角阵，在`python`中返回的是一个向量，节省空间]\n - 还有两个**酉矩阵**U和V，且![$$\\Sigma  = US{V^T}$$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_e3c147a47b37.png)\n - ![enter description here][42]\n - **注意**：`svd`函数求出的`S`是按特征值降序排列的，若不是使用`svd`,需要按**特征值**大小重新排列`U`\n- 降维\n - 选取`U`中的前`K`列（假设要降为`K`维）\n - ![enter description here][43]\n - `Z`就是对应降维之后的数据\n - 实现代码：\n ```\n     # 映射数据\n    def projectData(X_norm,U,K):\n        Z = np.zeros((X_norm.shape[0],K))\n        \n        U_reduce = U[:,0:K]          # 取前K个\n        Z = np.dot(X_norm,U_reduce) \n        return Z\n ```\n- 过程总结：\n - `Sigma = X'*X\u002Fm`\n - `U,S,V = svd(Sigma)`\n - `Ureduce = U[:,0:k]`\n - `Z = Ureduce'*x`\n\n### 5、数据恢复\n - 因为：![$${Z^{(i)}} = U_{reduce}^T*{X^{(i)}}$$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_9839eaaa24ef.png)\n - 所以：![$${X_{approx}} = {(U_{reduce}^T)^{ - 1}}Z$$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_a1804f15108e.png)\n - 又因为`Ureduce`为正定矩阵，【正定矩阵满足：![$$A{A^T} = {A^T}A = E$$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_63d50f3725c8.png)，所以：![$${A^{ - 1}} = {A^T}$$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_4f784a1e8094.png)】，所以这里：\n - ![$${X_{approx}} = {(U_{reduce}^{ - 1})^{ - 1}}Z = {U_{reduce}}Z$$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_ca7ac8f89b6d.png)\n - 实现代码：\n```\n    # 恢复数据 \n    def recoverData(Z,U,K):\n        X_rec = np.zeros((Z.shape[0],U.shape[0]))\n        U_recude = U[:,0:K]\n        X_rec = np.dot(Z,np.transpose(U_recude))  # 还原数据（近似）\n        return X_rec\n```\n\n### 6、主成分个数的选择（即要降的维度）\n- 如何选择\n - **投影误差**（project error）：![$${1 \\over m}\\sum\\limits_{i = 1}^m {||{x^{(i)}} - x_{approx}^{(i)}|{|^2}} $$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_087ffe907a81.png)\n - **总变差**（total variation）:![$${1 \\over m}\\sum\\limits_{i = 1}^m {||{x^{(i)}}|{|^2}} $$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_fcad9bd20902.png)\n - 若**误差率**（error ratio）：![$${{{1 \\over m}\\sum\\limits_{i = 1}^m {||{x^{(i)}} - x_{approx}^{(i)}|{|^2}} } \\over {{1 \\over m}\\sum\\limits_{i = 1}^m {||{x^{(i)}}|{|^2}} }} \\le 0.01$$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_3a85a4bec142.png)，则称`99%`保留差异性\n - 误差率一般取`1%，5%，10%`等\n- 如何实现\n - 若是一个个试的话代价太大\n - 之前`U,S,V = svd(Sigma)`,我们得到了`S`，这里误差率error ratio:    \n ![$$error{\\kern 1pt} \\;ratio = 1 - {{\\sum\\limits_{i = 1}^k {{S_{ii}}} } \\over {\\sum\\limits_{i = 1}^n {{S_{ii}}} }} \\le threshold$$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_26db73d7b751.png)\n - 可以一点点增加`K`尝试。\n\n### 7、使用建议\n- 不要使用PCA去解决过拟合问题`Overfitting`，还是使用正则化的方法（如果保留了很高的差异性还是可以的）\n- 只有在原数据上有好的结果，但是运行很慢，才考虑使用PCA\n\n### 8、运行结果\n- 2维数据降为1维\n - 要投影的方向     \n![enter description here][44]\n - 2D降为1D及对应关系        \n![enter description here][45]\n- 人脸数据降维\n - 原始数据         \n ![enter description here][46]\n - 可视化部分`U`矩阵信息    \n ![enter description here][47]\n - 恢复数据    \n ![enter description here][48]\n\n### 9、[使用scikit-learn库中的PCA实现降维](\u002FPCA\u002FPCA.py_scikit-learn.py)\n- 导入需要的包：\n```\n#-*- coding: utf-8 -*-\n# Author:bob\n# Date:2016.12.22\nimport numpy as np\nfrom matplotlib import pyplot as plt\nfrom scipy import io as spio\nfrom sklearn.decomposition import pca\nfrom sklearn.preprocessing import StandardScaler\n```\n- 归一化数据\n```\n    '''归一化数据并作图'''\n    scaler = StandardScaler()\n    scaler.fit(X)\n    x_train = scaler.transform(X)\n```\n- 使用PCA模型拟合数据，并降维\n - `n_components`对应要将的维度\n```\n    '''拟合数据'''\n    K=1 # 要降的维度\n    model = pca.PCA(n_components=K).fit(x_train)   # 拟合数据，n_components定义要降的维度\n    Z = model.transform(x_train)    # transform就会执行降维操作\n```\n\n- 数据恢复\n - `model.components_`会得到降维使用的`U`矩阵 \n```\n    '''数据恢复并作图'''\n    Ureduce = model.components_     # 得到降维用的Ureduce\n    x_rec = np.dot(Z,Ureduce)       # 数据恢复\n```\n\n\n\n---------------------------------------------------------------\n\n\n## 七、异常检测 Anomaly Detection\n- [全部代码](\u002FAnomalyDetection\u002FAnomalyDetection.py)\n\n### 1、高斯分布（正态分布）`Gaussian distribution` \n- 分布函数：![$$p(x) = {1 \\over {\\sqrt {2\\pi } \\sigma }}{e^{ - {{{{(x - u)}^2}} \\over {2{\\sigma ^2}}}}}$$](http:\u002F\u002Flatex.codecogs.com\u002Fpng.latex?%5Cfn_cm%20%24%24p%28x%29%20%3D%20%7B1%20%5Cover%20%7B%5Csqrt%20%7B2%5Cpi%20%7D%20%5Csigma%20%7D%7D%7Be%5E%7B%20-%20%7B%7B%7B%7B%28x%20-%20u%29%7D%5E2%7D%7D%20%5Cover%20%7B2%7B%5Csigma%20%5E2%7D%7D%7D%7D%24%24)\n - 其中，`u`为数据的**均值**，`σ`为数据的**标准差**\n - `σ`越**小**，对应的图像越**尖**\n- 参数估计（`parameter estimation`）\n - ![$$u = {1 \\over m}\\sum\\limits_{i = 1}^m {{x^{(i)}}} $$](http:\u002F\u002Flatex.codecogs.com\u002Fpng.latex?%5Cfn_cm%20%24%24%7Bu%20%3D%20%7B1%20%5Cover%20m%7D%5Csum%5Climits_%7Bi%20%3D%201%7D%5Em%20%7B%7Bx%5E%7B%28i%29%7D%7D%7D%20%24%24)\n - ![$${\\sigma ^2} = {1 \\over m}\\sum\\limits_{i = 1}^m {{{({x^{(i)}} - u)}^2}} $$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_3ab4422e7df5.png)\n\n### 2、异常检测算法\n- 例子\n - 训练集：![$$\\{ {x^{(1)}},{x^{(2)}}, \\cdots {x^{(m)}}\\} $$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_32dca85cd5c7.png),其中![$$x \\in {R^n}$$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_c40d0bd2bb77.png)\n - 假设![$${x_1},{x_2} \\cdots {x_n}$$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_449782778b4b.png)相互独立，建立model模型：![$$p(x) = p({x_1};{u_1},\\sigma _1^2)p({x_2};{u_2},\\sigma _2^2) \\cdots p({x_n};{u_n},\\sigma _n^2) = \\prod\\limits_{j = 1}^n {p({x_j};{u_j},\\sigma _j^2)} $$](http:\u002F\u002Flatex.codecogs.com\u002Fpng.latex?%5Cfn_cm%20%24%24%7Bp%28x%29%20%3D%20p%28%7Bx_1%7D%3B%7Bu_1%7D%2C%5Csigma%20_1%5E2%29p%28%7Bx_2%7D%3B%7Bu_2%7D%2C%5Csigma%20_2%5E2%29%20%5Ccdots%20p%28%7Bx_n%7D%3B%7Bu_n%7D%2C%5Csigma%20_n%5E2%29%20%3D%20%5Cprod%5Climits_%7Bj%20%3D%201%7D%5En%20%7Bp%28%7Bx_j%7D%3B%7Bu_j%7D%2C%5Csigma%20_j%5E2%29%7D%20%24%24)\n- 过程\n - 选择具有代表异常的`feature`:xi\n - 参数估计：![$${u_1},{u_2}, \\cdots ,{u_n};\\sigma _1^2,\\sigma _2^2 \\cdots ,\\sigma _n^2$$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_14212afd1b26.png)\n - 计算`p(x)`,若是`P(x)\u003Cε`则认为异常，其中`ε`为我们要求的概率的临界值`threshold`\n- 这里只是**单元高斯分布**，假设了`feature`之间是独立的，下面会讲到**多元高斯分布**，会自动捕捉到`feature`之间的关系\n- **参数估计**实现代码\n```\n# 参数估计函数（就是求均值和方差）\ndef estimateGaussian(X):\n    m,n = X.shape\n    mu = np.zeros((n,1))\n    sigma2 = np.zeros((n,1))\n    \n    mu = np.mean(X, axis=0) # axis=0表示列，每列的均值\n    sigma2 = np.var(X,axis=0) # 求每列的方差\n    return mu,sigma2\n```\n\n### 3、评价`p(x)`的好坏，以及`ε`的选取\n- 对**偏斜数据**的错误度量\n - 因为数据可能是非常**偏斜**的（就是`y=1`的个数非常少，(`y=1`表示异常)），所以可以使用`Precision\u002FRecall`，计算`F1Score`(在**CV交叉验证集**上)\n - 例如：预测癌症，假设模型可以得到`99%`能够预测正确，`1%`的错误率，但是实际癌症的概率很小，只有`0.5%`，那么我们始终预测没有癌症y=0反而可以得到更小的错误率。使用`error rate`来评估就不科学了。\n - 如下图记录：    \n ![enter description here][49]\n - ![$$\\Pr ecision = {{TP} \\over {TP + FP}}$$](http:\u002F\u002Flatex.codecogs.com\u002Fpng.latex?%5Cfn_cm%20%24%24%7BPr%20ecision%20%3D%20%7B%7BTP%7D%20%5Cover%20%7BTP%20+%20FP%7D%7D%20%24%24)，即：**正确预测正样本\u002F所有预测正样本**\n - ![$${\\mathop{\\rm Re}\\nolimits} {\\rm{call}} = {{TP} \\over {TP + FN}}$$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_aa9ed758a27d.png)，即：**正确预测正样本\u002F真实值为正样本**\n - 总是让`y=1`(较少的类)，计算`Precision`和`Recall`\n - ![$${F_1}Score = 2{{PR} \\over {P + R}}$$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_a5e0b1c494b5.png)\n - 还是以癌症预测为例，假设预测都是no-cancer，TN=199，FN=1，TP=0，FP=0，所以：Precision=0\u002F0，Recall=0\u002F1=0，尽管accuracy=199\u002F200=99.5%，但是不可信。\n\n- `ε`的选取\n - 尝试多个`ε`值，使`F1Score`的值高\n- 实现代码\n```\n\n# 选择最优的epsilon，即：使F1Score最大    \ndef selectThreshold(yval,pval):\n    '''初始化所需变量'''\n    bestEpsilon = 0.\n    bestF1 = 0.\n    F1 = 0.\n    step = (np.max(pval)-np.min(pval))\u002F1000\n    '''计算'''\n    for epsilon in np.arange(np.min(pval),np.max(pval),step):\n        cvPrecision = pval\u003Cepsilon\n        tp = np.sum((cvPrecision == 1) & (yval == 1).ravel()).astype(float)  # sum求和是int型的，需要转为float\n        fp = np.sum((cvPrecision == 1) & (yval == 0).ravel()).astype(float)\n        fn = np.sum((cvPrecision == 0) & (yval == 1).ravel()).astype(float)\n        precision = tp\u002F(tp+fp)  # 精准度\n        recision = tp\u002F(tp+fn)   # 召回率\n        F1 = (2*precision*ixedReality)\u002F(precision+recio)  # F1Score计算公式\n        if F1 > bestF1:  # 修改最优的F1 Score\n            bestF1 = F1\n            bestEpsilon = epsilon\n    return bestEpsilon,bestF1\n```\n\n### 4、选择使用什么样的feature（单元高斯分布）\n- 如果一些数据不是满足高斯分布的，可以变化一下数据，例如`log(x+C),x^(1\u002F2)`等\n- 如果`p(x)`的值无论异常与否都很大，可以尝试组合多个`feature`,(因为feature之间可能是有关系的)\n\n### 5、多元高斯分布\n- 单元高斯分布存在的问题\n - 如下图，红色的点为异常点，其他的都是正常点（比如CPU和memory的变化）   \n ![enter description here][50]\n - x1对应的高斯分布如下：   \n ![enter description here][51]\n - x2对应的高斯分布如下：   \n ![enter description here][52]\n - 可以看出对应的p(x1)和p(x2)的值变化并不大，就不会认为异常\n - 因为我们认为feature之间是相互独立的，所以如上图是以**正圆**的方式扩展\n- 多元高斯分布\n - ![$$x \\in {R^n}$$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_c40d0bd2bb77.png)，并不是建立`p(x1),p(x2)...p(xn)`，而是统一建立`p(x)`\n - 其中参数：![$$\\mu  \\in {R^n},\\Sigma  \\in {R^{n \\times {\\rm{n}}}}$$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_a82b661ea465.png),`Σ`为**协方差矩阵**\n - ![$$p(x) = {1 \\over {{{(2\\pi )}^{{n \\over 2}}}|\\Sigma {|^{{1 \\over 2}}}}}{e^{ - {1 \\over 2}{{(x - u)}^T}{\\Sigma ^{ - 1}}(x - u)}}$$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_26db73d7b751.png)\n - 同样，`|Σ|`越小，`p(x)`越尖\n - 例如：    \n ![enter description here][53]，  \n 表示x1,x2**正相关**，即x1越大，x2也就越大，如下图，也就可以将红色的异常点检查出了\n ![enter description here][54]      \n 若：   \n  ![enter description here][55]，   \n 表示x1,x2**负相关**\n- 实现代码：\n```\n# 多元高斯分布函数    \ndef multivariateGaussian(X,mu,Sigma2):\n    k = len(mu)\n    if (Sigma2.shape[0]>1):\n        Sigma2 = np.diag(Sigma2)\n    '''多元高斯分布函数'''    \n    X = X-mu\n    argu = (2*np.pi)**(-k\u002F2)*np.linalg.det(Sigma2)**(-0.5)\n    p = argu*np.exp(-0.5*np.sum(np.dot(X,np.linalg.inv(Sigma2))*X,axis=1))  # axis表示每行\n    return p\n```\n### 6、单元和多元高斯分布特点\n- 单元高斯分布\n - 人为可以捕捉到`feature`之间的关系时可以使用\n - 计算量小\n- 多元高斯分布\n - 自动捕捉到相关的feature\n - 计算量大，因为：![$$\\Sigma  \\in {R^{n \\times {\\rm{n}}}}$$](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_readme_01aea1bf418a.png)\n - `m>n`或`Σ`可逆时可以使用。（若不可逆，可能有冗余的x，因为线性相关，不可逆，或者就是m\u003Cn）\n\n### 7、程序运行结果\n- 显示数据     \n![enter description here][56]\n- 等高线      \n![enter description here][57]\n- 异常点标注   \n![enter description here][58]\n\n\n\n----------------------------------\n\n\n  [1]: .\u002Fimages\u002FLinearRegression_01.png \"LinearRegression_01.png\"\n  [2]: .\u002Fimages\u002FLogisticRegression_01.png \"LogisticRegression_01.png\"\n  [3]: .\u002Fimages\u002FLogisticRegression_02.png \"LogisticRegression_02.png\"\n  [4]: .\u002Fimages\u002FLogisticRegression_03.jpg \"LogisticRegression_03.jpg\"\n  [5]: .\u002Fimages\u002FLogisticRegression_04.png \"LogisticRegression_04.png\"\n  [6]: .\u002Fimages\u002FLogisticRegression_05.png \"LogisticRegression_05.png\"\n  [7]: .\u002Fimages\u002FLogisticRegression_06.png \"LogisticRegression_06.png\"\n  [8]: .\u002Fimages\u002FLogisticRegression_07.png \"LogisticRegression_07.png\"\n  [9]: .\u002Fimages\u002FLogisticRegression_08.png \"LogisticRegression_08.png\"\n  [10]: .\u002Fimages\u002FLogisticRegression_09.png \"LogisticRegression_09.png\"\n  [11]: .\u002Fimages\u002FLogisticRegression_11.png \"LogisticRegression_11.png\"\n  [12]: .\u002Fimages\u002FLogisticRegression_10.png \"LogisticRegression_10.png\"\n  [13]: .\u002Fimages\u002FLogisticRegression_12.png \"LogisticRegression_12.png\"\n  [14]: .\u002Fimages\u002FLogisticRegression_13.png \"LogisticRegression_13.png\"\n  [15]: .\u002Fimages\u002FNeuralNetwork_01.png \"NeuralNetwork_01.png\"\n  [16]: .\u002Fimages\u002FNeuralNetwork_02.png \"NeuralNetwork_02.png\"\n  [17]: .\u002Fimages\u002FNeuralNetwork_03.jpg \"NeuralNetwork_03.jpg\"\n  [18]: .\u002Fimages\u002FNeuralNetwork_04.png \"NeuralNetwork_04.png\"\n  [19]: .\u002Fimages\u002FNeuralNetwork_05.png \"NeuralNetwork_05.png\"\n  [20]: .\u002Fimages\u002FNeuralNetwork_06.png \"NeuralNetwork_06.png\"\n  [21]: .\u002Fimages\u002FNeuralNetwork_07.png \"NeuralNetwork_07.png\"\n  [22]: .\u002Fimages\u002FNeuralNetwork_08.png \"NeuralNetwork_08.png\"\n  [23]: .\u002Fimages\u002FNeuralNetwork_09.png \"NeuralNetwork_09.png\"\n  [24]: .\u002Fimages\u002FSVM_01.png \"SVM_01.png\"\n  [25]: .\u002Fimages\u002FSVM_02.png \"SVM_02.png\"\n  [26]: .\u002Fimages\u002FSVM_03.png \"SVM_03.png\"\n  [27]: .\u002Fimages\u002FSVM_04.png \"SVM_04.png\"\n  [28]: .\u002Fimages\u002FSVM_05.png \"SVM_05.png\"\n  [29]: .\u002Fimages\u002FSVM_06.png \"SVM_06.png\"\n  [30]: .\u002Fimages\u002FSVM_07.png \"SVM_07.png\"\n  [31]: .\u002Fimages\u002FSVM_08.png \"SVM_08.png\"\n  [32]: .\u002Fimages\u002FSVM_09.png \"SVM_09.png\"\n  [33]: .\u002Fimages\u002FSVM_10.png \"SVM_10.png\"\n  [34]: .\u002Fimages\u002FK-Means_01.png \"K-Means_01.png\"\n  [35]: .\u002Fimages\u002FK-Means_02.png \"K-Means_02.png\"\n  [36]: .\u002Fimages\u002FK-Means_03.png \"K-Means_03.png\"\n  [37]: .\u002Fimages\u002FK-Means_07.png \"K-Means_07.png\"\n  [38]: .\u002Fimages\u002FK-Means_04.png \"K-Means_04.png\"\n  [39]: .\u002Fimages\u002FK-Means_05.png \"K-Means_05.png\"\n  [40]: .\u002Fimages\u002FK-Means_06.png \"K-Means_06.png\"\n  [41]: .\u002Fimages\u002FPCA_01.png \"PCA_01.png\"\n  [42]: .\u002Fimages\u002FPCA_02.png \"PCA_02.png\"\n  [43]: .\u002Fimages\u002FPCA_03.png \"PCA_03.png\"\n  [44]: .\u002Fimages\u002FPCA_04.png \"PCA_04.png\"\n  [45]: .\u002Fimages\u002FPCA_05.png \"PCA_05.png\"\n  [46]: .\u002Fimages\u002FPCA_06.png \"PCA_06.png\"\n  [47]: .\u002Fimages\u002FPCA_07.png \"PCA_07.png\"\n  [48]: .\u002Fimages\u002FPCA_08.png \"PCA_08.png\"\n  [49]: .\u002Fimages\u002FAnomalyDetection_01.png \"AnomalyDetection_01.png\"\n  [50]: .\u002Fimages\u002FAnomalyDetection_04.png \"AnomalyDetection_04.png\"\n  [51]: .\u002Fimages\u002FAnomalyDetection_02.png \"AnomalyDetection_02.png\"\n  [52]: .\u002Fimages\u002FAnomalyDetection_03.png \"AnomalyDetection_03.png\"\n  [53]: .\u002Fimages\u002FAnomalyDetection_05.png \"AnomalyDetection_05.png\"\n  [54]: .\u002Fimages\u002FAnomalyDetection_07.png \"AnomalyDetection_07.png\"\n  [55]: .\u002Fimages\u002FAnomalyDetection_06.png \"AnomalyDetection_06.png\"\n  [56]: .\u002Fimages\u002FAnomalyDetection_08.png \"AnomalyDetection_08.png\"\n  [57]: .\u002Fimages\u002FAnomalyDetection_09.png \"AnomalyDetection_09.png\"\n  [58]: .\u002Fimages\u002FAnomalyDetection_10.png \"AnomalyDetection_10.png\"","# MachineLearning_Python 快速上手指南\n\n本指南旨在帮助开发者快速使用 `MachineLearning_Python` 项目，该项目提供了常见机器学习算法（线性回归、逻辑回归、神经网络、SVM、K-Means、PCA 等）的 Python 原生实现及 Scikit-learn 调用示例。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Windows \u002F macOS \u002F Linux\n*   **Python 版本**：推荐 Python 3.6+\n*   **核心依赖库**：\n    *   `numpy` (矩阵运算)\n    *   `scipy` (优化算法)\n    *   `matplotlib` (结果可视化)\n    *   `scikit-learn` (对比验证用)\n\n### 依赖安装\n\n建议使用国内镜像源加速安装过程。\n\n```bash\n# 使用 pip 安装必要依赖\npip install numpy scipy matplotlib scikit-learn -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 安装步骤\n\n本项目为纯代码实现库，无需复杂的编译安装，只需克隆仓库即可。\n\n1.  **克隆项目仓库**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Flawlite19\u002FMachineLearning_Python.git\n    ```\n\n2.  **进入项目目录**\n    ```bash\n    cd MachineLearning_Python\n    ```\n\n3.  **目录结构说明**\n    项目按算法类型分文件夹存放，主要包含：\n    *   `\u002FLinearRegression`: 线性回归实现\n    *   `\u002FLogisticRegression`: 逻辑回归及手写数字识别\n    *   `\u002FNeuralNetworks`: BP 神经网络实现\n    *   `\u002FSVM`: 支持向量机实现\n    *   `\u002FKMeans`: K-Means 聚类及图片压缩应用\n    *   `\u002FPCA`: 主成分分析降维\n    *   `\u002FAnomalyDetection`: 异常检测\n\n## 基本使用\n\n本项目每个算法文件夹下均包含完整的 `.py` 脚本，直接运行即可查看从原理实现到最终结果的全过程。\n\n### 示例 1：运行线性回归 (Linear Regression)\n\n进入线性回归目录并运行主脚本，将自动执行代价函数计算、梯度下降、均值归一化并绘制收敛曲线。\n\n```bash\ncd LinearRegression\npython LinearRegression.py\n```\n\n若需查看如何使用 `scikit-learn` 库实现相同功能，可运行：\n```bash\npython LinearRegression_scikit-learn.py\n```\n\n### 示例 2：运行逻辑回归与手写数字识别\n\n进入逻辑回归目录，运行脚本将演示二分类问题及基于 One-vs-All 策略的手写数字识别。\n\n```bash\ncd ..\u002FLogisticRegression\npython LogisticRegression.py\n```\n\n### 示例 3：运行 K-Means 图片压缩\n\n进入 K-Means 目录，运行脚本将展示聚类过程并对图片进行压缩处理。\n\n```bash\ncd ..\u002FKMeans\npython KMeans.py\n```\n\n### 代码核心逻辑参考\n\n所有算法均遵循“定义代价函数 -> 计算梯度 -> 迭代更新参数”的流程。以线性回归的梯度下降为例，核心代码如下：\n\n```python\n# 梯度下降算法核心片段\ndef gradientDescent(X, y, theta, alpha, num_iters):\n    m = len(y)      \n    n = len(theta)\n    \n    temp = np.matrix(np.zeros((n, num_iters)))   \n    J_history = np.zeros((num_iters, 1)) \n    \n    for i in range(num_iters):  \n        h = np.dot(X, theta)     \n        # 梯度更新公式\n        temp[:, i] = theta - ((alpha\u002Fm) * (np.dot(np.transpose(X), h-y)))   \n        theta = temp[:, i]\n        J_history[i] = computerCost(X, y, theta)      \n        print '.',      \n    return theta, J_history\n```\n\n运行任意脚本后，程序将输出训练过程中的代价值变化，并弹出窗口显示拟合结果或分类效果。","某初创数据团队正在为一家连锁零售店构建“周末客流量预测系统”，需要根据历史天气、促销活动等特征预测销售额，以优化人员排班。\n\n### 没有 MachineLearning_Python 时\n- **理论落地困难**：团队成员虽熟悉线性回归和梯度下降的数学公式，但难以从零开始编写高效的矩阵运算代码，导致模型迟迟无法跑通。\n- **调试成本高昂**：在手动实现代价函数和反向传播时，缺乏标准的梯度检查机制，一旦预测结果偏差大，很难定位是公式推导错误还是代码逻辑漏洞。\n- **算法验证繁琐**：想要对比不同算法（如逻辑回归与 SVM）的效果，需要分别寻找分散的代码片段或重复造轮子，严重拖慢了原型验证进度。\n- **数据预处理缺失**：面对量纲不一的销售数据，缺乏现成的均值归一化和 PCA 降维模块，导致模型收敛极慢甚至无法收敛。\n\n### 使用 MachineLearning_Python 后\n- **快速复现核心算法**：直接调用项目中封装好的线性回归模块，包含完整的代价函数计算与梯度下降实现，半天内即可跑出基准预测模型。\n- **内置诊断工具**：利用自带的梯度检查功能和正则化选项，迅速排除了过拟合问题，确保模型在训练集和测试集上表现稳定。\n- **一站式算法对比**：基于目录中清晰的分类，快速切换并测试逻辑回归、BP 神经网络及 SVM 等多种算法，高效筛选出最适合客流预测的模型。\n- **完整流程支持**：直接使用配套的均值归一化和 PCA 降维代码处理高维特征，显著提升了模型训练速度，最终将预测准确率提升了 15%。\n\nMachineLearning_Python 将抽象的机器学习数学原理转化为可执行的标准化代码，帮助团队跨越了从“懂理论”到“能落地”的关键鸿沟。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flawlite19_MachineLearning_Python_5ff48edb.png","lawlite19","lawlite","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Flawlite19_61613866.jpg",null,"Southeast University","Nanjing, China","lawlitewang@gmail.com","lawlite.me","https:\u002F\u002Fgithub.com\u002Flawlite19",[87],{"name":88,"color":89,"percentage":90},"Python","#3572A5",100,8451,2518,"2026-04-18T06:00:27","MIT","未说明",{"notes":97,"python":95,"dependencies":98},"该项目为机器学习算法的 Python 教学实现，主要依赖 NumPy 进行矩阵运算，并演示了如何使用 scikit-learn 和 scipy 库。README 中未明确指定具体的 Python 版本、操作系统、内存或 GPU 需求，通常此类基础算法脚本在安装有上述库的标准 Python 环境（如 Python 2.7 或 3.x）下即可运行，无需特殊硬件加速。",[99,100,101],"numpy","scikit-learn","scipy",[18],"2026-03-27T02:49:30.150509","2026-04-20T16:46:04.532938",[106,111,116,121,126,131,136],{"id":107,"question_zh":108,"answer_zh":109,"source_url":110},45094,"为什么代码中使用的是梯度方向而不是负梯度方向，结果却依然正确？","这是因为优化函数（如 scipy.optimize 中的函数）在内部会自动按照负梯度方向进行更新。用户只需要传入计算好的梯度值，优化器自然会执行 $\\theta = \\theta - \\alpha \\cdot \\text{gradient}$ 的操作，因此代码中直接传入梯度即可，无需手动取反。","https:\u002F\u002Fgithub.com\u002Flawlite19\u002FMachineLearning_Python\u002Fissues\u002F1",{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},45095,"为什么需要将神经网络参数 nn_params 反复进行 reshape 操作，不能直接传入原始形状吗？","这是由优化函数 `optimize.fmin_cg` 的要求决定的。该函数的文档明确规定输入参数必须是一维数组（1D array）。因此，必须在调用前将多维的权重矩阵展平为一维向量传入，并在回调函数中将其还原为原始形状进行计算。","https:\u002F\u002Fgithub.com\u002Flawlite19\u002FMachineLearning_Python\u002Fissues\u002F2",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},45096,"在计算神经网络梯度时，直接将 Theta 矩阵的第一列置为 0 会导致什么问题？","直接修改 `Theta[:,0] = 0` 会改变原始 `nnParams` 引用的内存数据，导致偏置项（bias）被错误地永久置零，从而影响模型训练。正确的做法是先对 Theta 进行拷贝（copy），然后在拷贝后的副本上将第一列置零，以保留原始参数的完整性。","https:\u002F\u002Fgithub.com\u002Flawlite19\u002FMachineLearning_Python\u002Fissues\u002F4",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},45097,"在 macOS 系统上运行代码时，如何解决绘图汉字乱码或字体路径错误的问题？","Windows 下的字体路径（如 simsun.ttc）在 macOS 上无效。macOS 用户需要更改字体路径为系统自带的支持中文的字体，例如 PingFang。代码修改如下：\n`font = FontProperties(fname=r\"System\u002FLibrary\u002FFonts\u002FPingFang.ttc\", size=14)`","https:\u002F\u002Fgithub.com\u002Flawlite19\u002FMachineLearning_Python\u002Fissues\u002F8",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},45098,"使用 sklearn 的 StandardScaler 进行归一化时，是否需要先调用 fit() 再调用 fit_transform()？","不需要单独调用 `scaler.fit(x_train)`。`fit_transform(X)` 方法已经包含了“拟合数据”和“转换数据”两个步骤。对于训练集，直接使用 `x_train = scaler.fit_transform(x_train)` 即可；对于测试集，应使用 `x_test = scaler.transform(x_test)` 以确保使用训练集的统计量。","https:\u002F\u002Fgithub.com\u002Flawlite19\u002FMachineLearning_Python\u002Fissues\u002F11",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},45099,"在 SVM 示例代码中，生成等差数列用于绘图时，范围选取是否有误？","是的，原代码逻辑有误。生成绘图用的等差数列时，应该基于数据特征的实际最大值和最小值，而不是固定值或其他轴的数据。修正后的代码应为：\n`xp = np.linspace(np.min(X[:,0]), np.max(X[:,0]), 100)`","https:\u002F\u002Fgithub.com\u002Flawlite19\u002FMachineLearning_Python\u002Fissues\u002F5",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},45100,"在计算假负例（False Negative, FN）时，逻辑判断条件是否写反了？","是的，原代码逻辑有误。假负例是指实际为正类（y=1）但被预测为负类（prediction=0）的情况。正确的计算表达式应为：\n`fn = np.sum((cvPrecision == 0) & (yval == 1)).astype(float)`","https:\u002F\u002Fgithub.com\u002Flawlite19\u002FMachineLearning_Python\u002Fissues\u002F9",[]]