吴恩达机器学习（八）—— ex3：Multi-class Classification and Neural Networks（MATLAB+Python）【图文】

吴恩达机器学习系列内容的学习目录                                 →                            \rightarrow                 →​​吴恩达机器学习系列内容汇总​​。

• ​一、多类别分类​

• ​​1.4.1 一对多预测​​
• ​​1.3.1 向量化代价函数​​
• ​​1.3.2 向量化梯度​​
• ​​1.3.3 向量化Logistic回归的正则化​​
• ​​1.1 数据集​​
• ​​1.2 可视化数据​​
• ​​1.3 向量化Logistic回归​​
• ​​1.4 一对多分类​​

• ​二、神经网络​

• ​​2.1 模型表示​​
• ​​2.2 前馈传播和预测​​

• ​三、MATLAB实现​

• ​​3.1 ex3.m​​
• ​​3.2 ex3_nn.m​​

• ​四、Python实现​

• ​​4.1 ex3.py​​
• ​​4.2 ex3_nn.py​​

  本次练习对应的基础知识总结                            →                         \rightarrow              → ​​神经网络：Representation​​。

  本次练习对应的文档说明和提供的MATLAB代码                            →                         \rightarrow              → ​​ 提取码：mwww​​ 。

  本次练习对应的完整代码实现(MATLAB + Python版本)                            →                         \rightarrow              →​​Github链接​​。

  在本练习中，我们将使用Logistic回归和神经网络识别手写数字（从0到9）。如今自动手写数字识别已广泛使用，从识别邮件信封上的邮政编码到识别银行支票上的金额。本练习将展示如何将我们之前学到的方法用于此分类任务。

  在练习的第一部分，我们将扩展先前的Logistic回归的实现，并将其应用于一对多分类。

1.1 数据集

  在ex3data1.mat中为我们提供了一个数据集，其中包含5000个手写数字的训练样本。.mat格式表示该数据已保存为MATLAB矩阵格式，而不是文本（ASCII）格式。使用load命令可以将这些矩阵直接读取到程序中，加载后我们程序的内存中将会出现有着正确尺寸和值的矩阵。该矩阵已经被命名，因此我们无需为其分配名称。

% Load saved matrices from file
load('ex3data1.mat');
% The matrices X and y will now be in your Octave environment

更多文章请关注《万象专栏》