Ein logistisches Regressionsmodell für den Iris-Datensatz kann nicht passen

Question

Der Versuch, ein logistisches Regressionsmodell für das Iris-Dataset zu erstellen, ist nicht geeignet. Was stimmt nicht mit dem Code? Danke ..

# Dependencies used: numpy, matpotlib.pyplot, csv 
# dataset: Iris 
# Binary classification using gradient descent 
# python 3.5 
# input data matrix = x(99 X 1) # including ones vector 
# discrete output data matrix = y(99 X 1) 
# parameters matrix = theta(5 X 1) 

for j in range(3500): 
    # hypothesis function 
    h = 1/(1 + np.exp(-x.dot(theta))) 

    # gradient descent 
    theta = theta - (0.00001/m) * np.sum(x.T.dot(h - y)) + (30.0/m)*np.sum(np.sum(theta[1:5, :]**2)) 

    # cost function 
    cost = -(1/m) * np.sum(y.T.dot(np.log(h)) + (1-y).T.dot(np.log(1-h))) 
    j_iter.append(cost) 
    Iter.append(j) 

Answer 1

Iris Datensatz enthält drei Leistungsklassen, die Ihren Code bedeutet, sollte multinomial Regression durchführen. Meistens ist die binomiale Regression die in mehreren Tools verwendete, was bedeutet, dass das Eingabe-Dataset nur zwei Ausgabeklassen enthalten muss. Bitte überprüfen Sie, ob Ihr Code drei Klassen behandelt oder nicht und fahren Sie dann fort ... Dies könnte Ihr Problem sein.