2.1 二分分类

使用二分分类来预测图片中是否有猫

二分分类

常见的符号表示

x：代表特征向量 y：代表标签 m:代表样本（Mtrain）的数量矩阵X:是一个nx '*'m的矩阵矩阵Y：1xm的矩阵

2.2 logistic回归

逻辑回归是一个用在监督学习问题的算法，这是所有输出y的结果为0或者1。逻辑回归的目标就是最小化预测结果与训练数据之间的误差。

2.3 logistic 回归损失函数

损失函数L用来衡量算法的运行情况，来衡量你的预测输出值y帽和y的实际值有多接近

logistic 回归损失函数

2.4 梯度下降

来训练w和b，获得使得J(w,b)最小的参数

2.5 导数

2.14 向量化logistic 回归的输出

2.15 Python中的广播

import numpy as np
A=np.array([
    [56.0,0.0,4.4,68.0],
    [1.2,104.0,52.0,8.0],
    [1.8,135.0,99.0,0.9]
])
print(A)

[[  56.     0.     4.4   68. ]
 [   1.2  104.    52.     8. ]
 [   1.8  135.    99.     0.9]]

cal=A.sum(axis=0)
print(cal)

[  59.   239.   155.4   76.9]

percentage=100*A/cal.reshape(1,4)
print(percentage)

[[ 94.91525424   0.           2.83140283  88.42652796]
 [  2.03389831  43.51464435  33.46203346  10.40312094]
 [  3.05084746  56.48535565  63.70656371   1.17035111]]

下面是几个例子

2.16 关于python/note的说明

第二周神经网络基础2.1 二分分类2.2 logistic回归2.3 logistic 回归损失函数2.4 梯度下降2.5 导数2.14 向量化logistic 回归的输出2.15 Python中的广