### Coursera Machine Learning 课程中的示例代码与编程作业 Coursera上的《Machine Learning》课程由Andrew Ng教授讲授，是一门经典的入门级机器学习课程。该课程不仅涵盖了理论知识，还提供了丰富的实践机会，帮助学生掌握如何在真实场景中应用这些技术。 以下是关于逻辑回归的一个典型编程练习的描述以及其实现方式： #### Python 实现逻辑回归 以下是一个基于Python的简单逻辑回归实现，它展示了如何加载数据集并训练模型[^1]。 ```python import numpy as np import matplotlib.pyplot as plt from scipy.optimize import minimize def sigmoid(z): """ 计算sigmoid函数值。 参数 z 可以为标量或数组。 返回对应的sigmoid值。 """ return 1 / (1 + np.exp(-z)) def costFunction(theta, X, y): """ 计算代价函数J(θ)。 """ m = len(y) h = sigmoid(X @ theta) epsilon = 1e-5 J = -(1/m) * (np.log(h + epsilon).T @ y + np.log(1-h + epsilon).T @ (1-y)) grad = (1/m) * ((h - y).T @ X).T return J[0], grad # 加载数据 data = np.loadtxt('ex2data1.txt', delimiter=',') X = data[:, :2] y = data[:, 2] # 数据预处理 m, n = X.shape X = np.hstack((np.ones((m, 1)), X)) # 添加偏置项 initial_theta = np.zeros(n + 1) # 使用优化器求解参数 result = minimize(costFunction, initial_theta, args=(X, y), method='BFGS', jac=True, options={'maxiter': 400}) theta_optimized = result.x print(f'Optimized parameters: {theta_optimized}') ``` 上述代码实现了逻辑回归的核心部分，包括`sigmoid`函数定义、成本函数计算以及梯度下降法用于更新权重。 对于批量训练过程的理解可以通过下面的方式进一步扩展： 为了构建更高效的mini-batch机制，可以从原始数据集中随机抽取子样本作为每次迭代的数据源[^4]。 另外，在面对过拟合问题时，通常采取的方法有增加更多样本来增强泛化能力；或者采用正则化技术减少复杂度高的模型带来的风险[^5]。 #### 关于其他主题的学习资源链接 如果希望深入了解诸如线性回归、支持向量机等内容，则可参考官方文档或其他权威书籍资料[^3]。