简介这份资源是面向计算机、人工智能、数据科学等专业在校学生的期末大作业与课程设计参考包围绕对数几率回归模型完成西瓜与鸢尾花数据集的识别分类任务。压缩包共30个文件约544KB包含6个Python源码文件、4个Jupyter Notebook、2份Word作业报告及2份Markdown说明另有xml、iml等IDE配置与pyc缓存文件覆盖从模型实现到报告撰写的完整流程。源码附带详细注释便于理解对数几率回归的数学原理与代码实现报告文档可直接参考写作思路。目前已有296人学习下载适合作为入门进阶练习、课程设计提交或初期项目立项演示也鼓励在此基础上进行二次开发与拓展实验。1. 期末大作业选对数几率回归做西瓜鸢尾花分类为什么它比你想的更能打期末大作业选题很多人第一反应是上神经网络觉得模型越深越有面子。但如果你带过几届学生就会发现真正能在两周内跑通、报告写满、答辩不被问穿的方案往往是最朴素的那个。对数几率回归Logistic Regression就是这样一个被低估的选手——它名字里带“回归”干的却是分类的活而且干得相当稳。西瓜数据集二分类、鸢尾花数据集三分类这两个经典任务用它做基线准确率能轻松上到 95% 以上代码量却不到一百行。更关键的是它的数学推导清晰、参数可解释、训练秒级完成特别适合作为大作业的“骨架模型”。这篇文章面向正在赶期末大作业的本科生和刚入门机器学习的开发者把从数据加载、模型推导、代码实现到报告撰写的完整路径拆开讲让你不仅能交差还能在答辩时讲出所以然。2. 对数几率回归做分类从西瓜的“好瓜概率”到鸢尾花的软分类2.1 为什么叫“回归”却用来分类对数几率回归的核心思路是先算一个线性得分再用 Sigmoid 函数把它压到 0 到 1 之间当作样本属于正类的概率。西瓜数据集里我们关心的是“这个瓜是好瓜的概率是多少”。线性得分 z w·x b 可以取任意实数Sigmoid 把它映射成概率import numpy as np def sigmoid(z): # 将线性得分压缩到 (0, 1) 区间作为概率输出 # 当 z 很大时趋近 1很小时趋近 0 return 1.0 / (1.0 np.exp(-z))这个函数的妙处在于它的导数可以用自身表示σ(z) σ(z)(1 - σ(z))。这让梯度下降的推导变得非常干净。逻辑说明输入 z 是线性组合输出是概率。参数说明z 可以是标量或 NumPy 数组函数会自动做逐元素运算。很多同学在这里翻车是因为把 Sigmoid 的输出直接当类别标签用忘了还需要一个阈值通常 0.5来划分类别。2.2 从二分类到多分类鸢尾花任务怎么扩展西瓜是二分类鸢尾花有三个品种直接套 Sigmoid 就不行了。常见做法有两种一对多One-vs-Rest和 Softmax 回归。一对多是训练三个二分类器每个负责区分“是某品种”和“不是某品种”预测时取概率最大的那个。Softmax 则是把 Sigmoid 推广到多类输出每个类别的概率且和为 1。对于鸢尾花这种类别边界比较清晰的数据两种方法效果差不多但 Softmax 的代码更紧凑报告里也更好写公式。def softmax(z): # z 的形状为 (样本数, 类别数) # 减去每行最大值防止指数溢出这是血泪经验 z_shifted z - np.max(z, axis1, keepdimsTrue) exp_z np.exp(z_shifted) return exp_z / np.sum(exp_z, axis1, keepdimsTrue)逻辑说明先对每行做数值稳定处理再计算指数归一化。参数说明axis1 表示按类别维度操作keepdimsTrue 保持维度以便广播。如果你不做减最大值这一步当 z 稍微大一点比如 800np.exp 就会溢出成 inf训练直接崩掉。这个坑我在第一次写多分类时就踩过loss 变成 nan排查了半天才发现是数值溢出。2.3 损失函数与梯度推导为什么用交叉熵而不是均方误差对数几率回归的损失函数是负对数似然也叫交叉熵损失。二分类时L(w) -1/m * Σ [y·log(σ(z)) (1-y)·log(1-σ(z))]多分类时L(W) -1/m * Σ Σ y_ik·log(softmax(z)_ik)为什么不用均方误差因为均方误差配合 Sigmoid 会导致梯度里多出一个 σ(z) 因子当预测值接近 0 或 1 时梯度会消失训练极慢。交叉熵的梯度恰好是 (σ(z) - y)·x形式简洁且没有饱和问题。这个推导过程建议在报告里写清楚答辩时老师很可能会问。def cross_entropy_loss(y_true, y_pred): # y_true: one-hot 编码形状 (m, k) # y_pred: softmax 输出形状 (m, k) m y_true.shape[0] # 加一个极小值 eps 防止 log(0) eps 1e-12 loss -np.sum(y_true * np.log(y_pred eps)) / m return loss逻辑说明逐元素相乘后求和再取负平均。参数说明eps 是数值稳定项一般取 1e-12 到 1e-8 之间。注意 y_pred 必须已经过 softmax不能是原始得分。2.4 梯度下降更新参数批量、随机还是小批量参数更新公式很直观W W - lr * dW其中 dW 1/m * X^T·(y_pred - y_true)。这里 lr 是学习率控制每步走多大。批量梯度下降用全部样本算梯度稳定但慢随机梯度下降每次用一个样本快但震荡小批量介于两者之间是实践中最常用的。对于西瓜和鸢尾花这种小数据集西瓜 17 条鸢尾花 150 条直接用批量梯度下降就够了迭代 500 到 1000 次就能收敛。def train(X, y, lr0.1, epochs1000): m, n X.shape k y.shape[1] W np.zeros((n, k)) # 权重初始化 b np.zeros((1, k)) # 偏置初始化 losses [] for i in range(epochs): z np.dot(X, W) b y_pred softmax(z) loss cross_entropy_loss(y, y_pred) losses.append(loss) # 计算梯度 dW np.dot(X.T, (y_pred - y)) / m db np.sum(y_pred - y, axis0, keepdimsTrue) / m # 更新参数 W - lr * dW b - lr * db return W, b, losses逻辑说明前向计算得分和概率反向计算梯度并更新。参数说明lr 建议从 0.1 开始试太大震荡太小收敛慢epochs 根据 loss 曲线判断一般 500 到 2000。注意权重初始化用全零在逻辑回归里是安全的因为损失函数是凸的但在神经网络里全零初始化会导致对称性问题。3. 西瓜与鸢尾花数据准备加载、划分与特征标准化的三个关键操作3.1 西瓜数据集的手工构造与编码西瓜数据集通常以表格形式给出包含色泽、根蒂、敲声等离散特征以及密度、含糖率两个连续特征。做逻辑回归前需要把离散特征做独热编码或序数编码。比如色泽有“青绿、乌黑、浅白”三个取值可以编码成 [1,0,0]、[0,1,0]、[0,0,1]。连续特征直接保留数值。标签“好瓜”编码为 1“坏瓜”编码为 0。import pandas as pd # 模拟西瓜数据集实际作业中可从 csv 读取 data { 色泽: [青绿, 乌黑, 浅白, 青绿, 乌黑], 根蒂: [蜷缩, 稍蜷, 硬挺, 蜷缩, 稍蜷], 密度: [0.697, 0.774, 0.634, 0.608, 0.556], 含糖率: [0.460, 0.376, 0.264, 0.318, 0.215], 好瓜: [1, 1, 0, 0, 0] } df pd.DataFrame(data) # 对离散特征做独热编码 df_encoded pd.get_dummies(df, columns[色泽, 根蒂]) print(df_encoded.head())逻辑说明用 pandas 的 get_dummies 自动完成独热编码。参数说明columns 指定需要编码的列其余列保持不变。注意编码后特征维度会增加如果样本量很小西瓜只有 17 条维度太高容易过拟合可以考虑先做特征选择。3.2 鸢尾花数据集加载与训练集划分鸢尾花数据集在 sklearn 里可以直接加载非常方便。但大作业通常要求自己实现算法所以我们可以用 sklearn 只做数据加载和划分模型部分手写。from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler iris load_iris() X iris.data # 形状 (150, 4) y iris.target # 取值 0, 1, 2 # 划分训练集和测试集固定随机种子保证可复现 X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.3, random_state42, stratifyy ) # 特征标准化均值为 0方差为 1 scaler StandardScaler() X_train scaler.fit_transform(X_train) X_test scaler.transform(X_test)逻辑说明stratifyy 保证训练集和测试集的类别比例一致避免某个类别在测试集中缺失。参数说明test_size0.3 表示 30% 做测试random_state 固定后每次运行结果相同。注意标准化时只能用训练集的均值和方差去变换测试集不能把测试集的信息泄露进来这是常见的翻车点。3.3 标签独热编码与维度对齐多分类任务中标签需要转成独热编码才能和 softmax 输出做交叉熵。比如标签 2 转成 [0,0,1]。def one_hot(y, num_classes): m len(y) one_hot_y np.zeros((m, num_classes)) one_hot_y[np.arange(m), y] 1 return one_hot_y y_train_onehot one_hot(y_train, 3) y_test_onehot one_hot(y_test, 3)逻辑说明先创建全零矩阵再把对应位置置 1。参数说明num_classes 是类别总数鸢尾花为 3。注意 np.arange(m) 生成行索引y 作为列索引这种花式索引写法比循环快很多。4. 避坑与排查逻辑回归大作业里最容易翻车的五个地方4.1 现象loss 变成 nan 或 inf原因学习率太大导致参数爆炸或者 softmax 计算时指数溢出。解决把学习率降到 0.01 或 0.001 再试在 softmax 里减去每行最大值检查输入数据是否有异常大的值必要时先做标准化。4.2 现象准确率一直卡在 33% 左右三分类原因权重初始化不当或梯度计算错误模型实际上在随机猜。解决检查梯度公式是否漏了除以 m确认 y_pred 和 y_true 的形状一致打印前几次迭代的 loss正常应该从 1.1 左右开始下降。4.3 现象训练集准确率很高但测试集很低原因过拟合尤其是西瓜数据集样本极少时。解决加 L2 正则化项或者在报告里说明用交叉验证来评估减少特征数量比如对西瓜数据只保留密度和含糖率两个连续特征。4.4 现象标准化后结果反而变差原因标准化时用了全部数据导致测试集信息泄露。解决严格用训练集的均值和方差去变换测试集如果特征里有离散变量不要对它做标准化。4.5 现象报告里公式和代码对不上原因推导时用了矩阵形式代码里却按单个样本循环写。解决统一用矩阵形式描述代码里也尽量向量化在报告附录里贴出关键代码片段并标注对应公式编号。5. 报告撰写与答辩加分把对数几率回归讲出深度的一个技巧大作业报告最忌讳只贴代码和截图。老师想看到的是你理解了多少。一个能让答辩加分的小技巧是在报告里加入决策边界的可视化。对于西瓜数据集你可以画出密度-含糖率平面上的决策边界对于鸢尾花可以选两个特征画散点图和分类区域。这比单纯列准确率更有说服力。import matplotlib.pyplot as plt def plot_decision_boundary(X, y, model, feature_idx(0, 1)): # 只取两个特征用于二维可视化 X_2d X[:, feature_idx] x_min, x_max X_2d[:, 0].min() - 0.5, X_2d[:, 0].max() 0.5 y_min, y_max X_2d[:, 1].min() - 0.5, X_2d[:, 1].max() 0.5 xx, yy np.meshgrid(np.arange(x_min, x_max, 0.02), np.arange(y_min, y_max, 0.02)) grid np.c_[xx.ravel(), yy.ravel()] # 这里需要把网格点补齐到原始特征维度简单起见用零填充 grid_full np.zeros((grid.shape[0], X.shape[1])) grid_full[:, feature_idx[0]] grid[:, 0] grid_full[:, feature_idx[1]] grid[:, 1] Z np.argmax(softmax(np.dot(grid_full, W) b), axis1) Z Z.reshape(xx.shape) plt.contourf(xx, yy, Z, alpha0.3) plt.scatter(X_2d[:, 0], X_2d[:, 1], cy, edgecolorsk) plt.xlabel(特征 1) plt.ylabel(特征 2) plt.show()逻辑说明生成网格点对每个点预测类别画出填充等高线。参数说明feature_idx 指定用哪两个特征做可视化网格步长 0.02 控制平滑度。注意网格点补齐时用了零填充实际报告中应说明这只是一种简化处理。另一个加分点是讨论对数几率回归的局限性它只能学到线性决策边界如果数据非线性可分效果会受限。你可以提一句“可以通过特征交叉或核方法扩展”但不必实现这样既展示了知识面又不会给自己挖坑。最后报告里的实验对比表要规范列出不同学习率、不同迭代次数下的训练准确率和测试准确率用表格呈现比大段文字描述清晰得多。我自己带大作业时最深的教训是不要等到最后一天才跑代码。逻辑回归虽然简单但数据预处理和调试往往占掉七成时间。提前把数据加载和标准化跑通后面模型部分就是水到渠成的事。希望帮到你。本文还有配套的精品资源点击获取
简介这份资源是面向计算机、人工智能、数据科学等专业在校学生的期末大作业与课程设计参考包围绕对数几率回归模型完成西瓜与鸢尾花数据集的识别分类任务。压缩包共30个文件约544KB包含6个Python源码文件、4个Jupyter Notebook、2份Word作业报告及2份Markdown说明另有xml、iml等IDE配置与pyc缓存文件覆盖从模型实现到报告撰写的完整流程。源码附带详细注释便于理解对数几率回归的数学原理与代码实现报告文档可直接参考写作思路。目前已有296人学习下载适合作为入门进阶练习、课程设计提交或初期项目立项演示也鼓励在此基础上进行二次开发与拓展实验。1. 期末大作业选对数几率回归做西瓜鸢尾花分类为什么它比你想的更能打期末大作业选题很多人第一反应是上神经网络觉得模型越深越有面子。但如果你带过几届学生就会发现真正能在两周内跑通、报告写满、答辩不被问穿的方案往往是最朴素的那个。对数几率回归Logistic Regression就是这样一个被低估的选手——它名字里带“回归”干的却是分类的活而且干得相当稳。西瓜数据集二分类、鸢尾花数据集三分类这两个经典任务用它做基线准确率能轻松上到 95% 以上代码量却不到一百行。更关键的是它的数学推导清晰、参数可解释、训练秒级完成特别适合作为大作业的“骨架模型”。这篇文章面向正在赶期末大作业的本科生和刚入门机器学习的开发者把从数据加载、模型推导、代码实现到报告撰写的完整路径拆开讲让你不仅能交差还能在答辩时讲出所以然。2. 对数几率回归做分类从西瓜的“好瓜概率”到鸢尾花的软分类2.1 为什么叫“回归”却用来分类对数几率回归的核心思路是先算一个线性得分再用 Sigmoid 函数把它压到 0 到 1 之间当作样本属于正类的概率。西瓜数据集里我们关心的是“这个瓜是好瓜的概率是多少”。线性得分 z w·x b 可以取任意实数Sigmoid 把它映射成概率import numpy as np def sigmoid(z): # 将线性得分压缩到 (0, 1) 区间作为概率输出 # 当 z 很大时趋近 1很小时趋近 0 return 1.0 / (1.0 np.exp(-z))这个函数的妙处在于它的导数可以用自身表示σ(z) σ(z)(1 - σ(z))。这让梯度下降的推导变得非常干净。逻辑说明输入 z 是线性组合输出是概率。参数说明z 可以是标量或 NumPy 数组函数会自动做逐元素运算。很多同学在这里翻车是因为把 Sigmoid 的输出直接当类别标签用忘了还需要一个阈值通常 0.5来划分类别。2.2 从二分类到多分类鸢尾花任务怎么扩展西瓜是二分类鸢尾花有三个品种直接套 Sigmoid 就不行了。常见做法有两种一对多One-vs-Rest和 Softmax 回归。一对多是训练三个二分类器每个负责区分“是某品种”和“不是某品种”预测时取概率最大的那个。Softmax 则是把 Sigmoid 推广到多类输出每个类别的概率且和为 1。对于鸢尾花这种类别边界比较清晰的数据两种方法效果差不多但 Softmax 的代码更紧凑报告里也更好写公式。def softmax(z): # z 的形状为 (样本数, 类别数) # 减去每行最大值防止指数溢出这是血泪经验 z_shifted z - np.max(z, axis1, keepdimsTrue) exp_z np.exp(z_shifted) return exp_z / np.sum(exp_z, axis1, keepdimsTrue)逻辑说明先对每行做数值稳定处理再计算指数归一化。参数说明axis1 表示按类别维度操作keepdimsTrue 保持维度以便广播。如果你不做减最大值这一步当 z 稍微大一点比如 800np.exp 就会溢出成 inf训练直接崩掉。这个坑我在第一次写多分类时就踩过loss 变成 nan排查了半天才发现是数值溢出。2.3 损失函数与梯度推导为什么用交叉熵而不是均方误差对数几率回归的损失函数是负对数似然也叫交叉熵损失。二分类时L(w) -1/m * Σ [y·log(σ(z)) (1-y)·log(1-σ(z))]多分类时L(W) -1/m * Σ Σ y_ik·log(softmax(z)_ik)为什么不用均方误差因为均方误差配合 Sigmoid 会导致梯度里多出一个 σ(z) 因子当预测值接近 0 或 1 时梯度会消失训练极慢。交叉熵的梯度恰好是 (σ(z) - y)·x形式简洁且没有饱和问题。这个推导过程建议在报告里写清楚答辩时老师很可能会问。def cross_entropy_loss(y_true, y_pred): # y_true: one-hot 编码形状 (m, k) # y_pred: softmax 输出形状 (m, k) m y_true.shape[0] # 加一个极小值 eps 防止 log(0) eps 1e-12 loss -np.sum(y_true * np.log(y_pred eps)) / m return loss逻辑说明逐元素相乘后求和再取负平均。参数说明eps 是数值稳定项一般取 1e-12 到 1e-8 之间。注意 y_pred 必须已经过 softmax不能是原始得分。2.4 梯度下降更新参数批量、随机还是小批量参数更新公式很直观W W - lr * dW其中 dW 1/m * X^T·(y_pred - y_true)。这里 lr 是学习率控制每步走多大。批量梯度下降用全部样本算梯度稳定但慢随机梯度下降每次用一个样本快但震荡小批量介于两者之间是实践中最常用的。对于西瓜和鸢尾花这种小数据集西瓜 17 条鸢尾花 150 条直接用批量梯度下降就够了迭代 500 到 1000 次就能收敛。def train(X, y, lr0.1, epochs1000): m, n X.shape k y.shape[1] W np.zeros((n, k)) # 权重初始化 b np.zeros((1, k)) # 偏置初始化 losses [] for i in range(epochs): z np.dot(X, W) b y_pred softmax(z) loss cross_entropy_loss(y, y_pred) losses.append(loss) # 计算梯度 dW np.dot(X.T, (y_pred - y)) / m db np.sum(y_pred - y, axis0, keepdimsTrue) / m # 更新参数 W - lr * dW b - lr * db return W, b, losses逻辑说明前向计算得分和概率反向计算梯度并更新。参数说明lr 建议从 0.1 开始试太大震荡太小收敛慢epochs 根据 loss 曲线判断一般 500 到 2000。注意权重初始化用全零在逻辑回归里是安全的因为损失函数是凸的但在神经网络里全零初始化会导致对称性问题。3. 西瓜与鸢尾花数据准备加载、划分与特征标准化的三个关键操作3.1 西瓜数据集的手工构造与编码西瓜数据集通常以表格形式给出包含色泽、根蒂、敲声等离散特征以及密度、含糖率两个连续特征。做逻辑回归前需要把离散特征做独热编码或序数编码。比如色泽有“青绿、乌黑、浅白”三个取值可以编码成 [1,0,0]、[0,1,0]、[0,0,1]。连续特征直接保留数值。标签“好瓜”编码为 1“坏瓜”编码为 0。import pandas as pd # 模拟西瓜数据集实际作业中可从 csv 读取 data { 色泽: [青绿, 乌黑, 浅白, 青绿, 乌黑], 根蒂: [蜷缩, 稍蜷, 硬挺, 蜷缩, 稍蜷], 密度: [0.697, 0.774, 0.634, 0.608, 0.556], 含糖率: [0.460, 0.376, 0.264, 0.318, 0.215], 好瓜: [1, 1, 0, 0, 0] } df pd.DataFrame(data) # 对离散特征做独热编码 df_encoded pd.get_dummies(df, columns[色泽, 根蒂]) print(df_encoded.head())逻辑说明用 pandas 的 get_dummies 自动完成独热编码。参数说明columns 指定需要编码的列其余列保持不变。注意编码后特征维度会增加如果样本量很小西瓜只有 17 条维度太高容易过拟合可以考虑先做特征选择。3.2 鸢尾花数据集加载与训练集划分鸢尾花数据集在 sklearn 里可以直接加载非常方便。但大作业通常要求自己实现算法所以我们可以用 sklearn 只做数据加载和划分模型部分手写。from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler iris load_iris() X iris.data # 形状 (150, 4) y iris.target # 取值 0, 1, 2 # 划分训练集和测试集固定随机种子保证可复现 X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.3, random_state42, stratifyy ) # 特征标准化均值为 0方差为 1 scaler StandardScaler() X_train scaler.fit_transform(X_train) X_test scaler.transform(X_test)逻辑说明stratifyy 保证训练集和测试集的类别比例一致避免某个类别在测试集中缺失。参数说明test_size0.3 表示 30% 做测试random_state 固定后每次运行结果相同。注意标准化时只能用训练集的均值和方差去变换测试集不能把测试集的信息泄露进来这是常见的翻车点。3.3 标签独热编码与维度对齐多分类任务中标签需要转成独热编码才能和 softmax 输出做交叉熵。比如标签 2 转成 [0,0,1]。def one_hot(y, num_classes): m len(y) one_hot_y np.zeros((m, num_classes)) one_hot_y[np.arange(m), y] 1 return one_hot_y y_train_onehot one_hot(y_train, 3) y_test_onehot one_hot(y_test, 3)逻辑说明先创建全零矩阵再把对应位置置 1。参数说明num_classes 是类别总数鸢尾花为 3。注意 np.arange(m) 生成行索引y 作为列索引这种花式索引写法比循环快很多。4. 避坑与排查逻辑回归大作业里最容易翻车的五个地方4.1 现象loss 变成 nan 或 inf原因学习率太大导致参数爆炸或者 softmax 计算时指数溢出。解决把学习率降到 0.01 或 0.001 再试在 softmax 里减去每行最大值检查输入数据是否有异常大的值必要时先做标准化。4.2 现象准确率一直卡在 33% 左右三分类原因权重初始化不当或梯度计算错误模型实际上在随机猜。解决检查梯度公式是否漏了除以 m确认 y_pred 和 y_true 的形状一致打印前几次迭代的 loss正常应该从 1.1 左右开始下降。4.3 现象训练集准确率很高但测试集很低原因过拟合尤其是西瓜数据集样本极少时。解决加 L2 正则化项或者在报告里说明用交叉验证来评估减少特征数量比如对西瓜数据只保留密度和含糖率两个连续特征。4.4 现象标准化后结果反而变差原因标准化时用了全部数据导致测试集信息泄露。解决严格用训练集的均值和方差去变换测试集如果特征里有离散变量不要对它做标准化。4.5 现象报告里公式和代码对不上原因推导时用了矩阵形式代码里却按单个样本循环写。解决统一用矩阵形式描述代码里也尽量向量化在报告附录里贴出关键代码片段并标注对应公式编号。5. 报告撰写与答辩加分把对数几率回归讲出深度的一个技巧大作业报告最忌讳只贴代码和截图。老师想看到的是你理解了多少。一个能让答辩加分的小技巧是在报告里加入决策边界的可视化。对于西瓜数据集你可以画出密度-含糖率平面上的决策边界对于鸢尾花可以选两个特征画散点图和分类区域。这比单纯列准确率更有说服力。import matplotlib.pyplot as plt def plot_decision_boundary(X, y, model, feature_idx(0, 1)): # 只取两个特征用于二维可视化 X_2d X[:, feature_idx] x_min, x_max X_2d[:, 0].min() - 0.5, X_2d[:, 0].max() 0.5 y_min, y_max X_2d[:, 1].min() - 0.5, X_2d[:, 1].max() 0.5 xx, yy np.meshgrid(np.arange(x_min, x_max, 0.02), np.arange(y_min, y_max, 0.02)) grid np.c_[xx.ravel(), yy.ravel()] # 这里需要把网格点补齐到原始特征维度简单起见用零填充 grid_full np.zeros((grid.shape[0], X.shape[1])) grid_full[:, feature_idx[0]] grid[:, 0] grid_full[:, feature_idx[1]] grid[:, 1] Z np.argmax(softmax(np.dot(grid_full, W) b), axis1) Z Z.reshape(xx.shape) plt.contourf(xx, yy, Z, alpha0.3) plt.scatter(X_2d[:, 0], X_2d[:, 1], cy, edgecolorsk) plt.xlabel(特征 1) plt.ylabel(特征 2) plt.show()逻辑说明生成网格点对每个点预测类别画出填充等高线。参数说明feature_idx 指定用哪两个特征做可视化网格步长 0.02 控制平滑度。注意网格点补齐时用了零填充实际报告中应说明这只是一种简化处理。另一个加分点是讨论对数几率回归的局限性它只能学到线性决策边界如果数据非线性可分效果会受限。你可以提一句“可以通过特征交叉或核方法扩展”但不必实现这样既展示了知识面又不会给自己挖坑。最后报告里的实验对比表要规范列出不同学习率、不同迭代次数下的训练准确率和测试准确率用表格呈现比大段文字描述清晰得多。我自己带大作业时最深的教训是不要等到最后一天才跑代码。逻辑回归虽然简单但数据预处理和调试往往占掉七成时间。提前把数据加载和标准化跑通后面模型部分就是水到渠成的事。希望帮到你。本文还有配套的精品资源点击获取
)
平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测)
