【无标题】

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

• 前言
• 一、回归问题与分类问题
• 二、Logistic回归
• • 1.代码实现
  • 2.多维数据集的处理
• 总结

本章学习pytorch实现Logistic回归。

回归问题输出的是连续的值，分类问题输出的是某个离散的标签值。
分类问题的思路是，输出每个类别标签对应的概率值 概率值最高的代表为某个类别

将y = wx+b 这个连续的实数值映射到【0，1】这个范围中
由此引入

Logistic回归相较于线性回归，在实现上多了一个激活函数，但激活函数自身不具有参数，只需要调用nn.functiuon.sigmoid就可以了
除此之外，应用与分类问题的损失函数，换用交叉熵损失函数。

代码如下（示例）：

import numpy as np
import matplotlib.pyplot as plt
 
x_data = [1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]
 
 
def forward(x):
    return x*w
 
 
def loss(x, y):
    y_pred = forward(x)
    return (y_pred - y)**2
 
 
# 穷举法
w_list = []
mse_list = []
for w in np.arange(0.0, 4.1, 0.1):
    print("w=", w)
    l_sum = 0
    for x_val, y_val in zip(x_data, y_data):
        y_pred_val = forward(x_val)
        loss_val = loss(x_val, y_val)
        l_sum += loss_val
        print('t', x_val, y_val, y_pred_val, loss_val)
    print('MSE=', l_sum/3)
    w_list.append(w)
    mse_list.append(l_sum/3)
    
plt.plot(w_list,mse_list)
plt.ylabel('Loss')
plt.xlabel('w')
plt.show()
————————————————
版权声明：本文为CSDN博主「错错莫」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/bit452/article/details/109627469

处理多维数据时 ，输入的维度不再是1 ，样本有多少个特征就是具有多少个维度 相应的模型构建时，参数需要改变

提示：这里对文章进行总结：
例如：以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。