Python 3.x Logistic回归成本函数

我最近学习了逻辑回归，我想练习一下。我目前正在使用。我试图以这种方式定义成本函数（我进行了所有必要的导入）：

#定义假设
S形=λx:1/（1+np.exp（-x））
预测=lambda列车组，参数：S形（列车组@参数）
#界定成本
def成本（θ）：
#打印（X形、y形、θ形）
preds=预测（X，θT）
错误=（-y*np.log（preds））-（（1-y）*np.log（1-preds））
返回np.平均值（错误）
θ=[]
对于范围（13）中的i：
θ.附加（1）
θ=np.数组（[θ]）
成本（θ）

当我运行这个单元时，我得到：

/opt/venv/lib/python3.7/site packages/ipykernel_launcher.py:9:RuntimeWarning:在日志中遇到零除
如果uuuu name uuuuuu='\uuuuuuu main\uuuuuuu'：
/opt/venv/lib/python3.7/site packages/ipykernel_launcher.py:9:RuntimeWarning:multiply中遇到无效值
如果uuuu name uuuuuu='\uuuuuuu main\uuuuuuu'：
楠

当我在网上搜索时，我得到了一个建议，让数据正常化，然后再试一次。我就是这样做的：

df=pd.read\u csv（“/home/jovyan/work/heart.csv”）
df.head（）
#数据集大小为303x14（使用df.shape）
长度=df.形状[0]
#输出向量
y=df['target']。值
y=np.数组（[y]）.T
#为了方便起见，我们将培训集命名为X
训练集=测向下降（['target']，轴=1）
#训练集=测向插入（0，'偏差'，1）
minmax\u normal\u trainset=（trainingset-trainingset.min（））/（trainingset.max（）-trainingset.min（））
X=训练集值

我真的不知道零除错误发生在哪里，以及如何修复它。如果我在执行过程中犯了任何错误，请纠正我。如果以前有人问过这个问题，我很抱歉，但我能找到的只是使数据正常化的提示。提前谢谢

np.log（0）

引发一个

除以零的错误。正是这一部分造成了问题：

errors = (-y * np.log(preds)) - ((1 - y) * np.log(1 - preds))
               ##############              #################

当
x
的绝对值大于709时，
preds
可以是0或1（因为浮点数学，至少在我的机器上是这样），这就是为什么将
x
规格化为0和1之间可以解决问题的原因

编辑：

您可能希望规格化到比
（0，1）
更大的范围-您当前设置的sigmoid函数在该范围内几乎是线性的。可能使用：

 minmax_normal_trainset = c * (trainingset - trainingset.mean())/(trainingset.stdev())

然后调整
c
以获得更好的收敛性。
I将x归一化，但问题仍然存在。我应该怎么做才能修复它？如果您在问题中使用了代码，
minmax\u normal\u trainset
是标准化的，但是您设置了
X=trainingset.values
，它不是标准化的，只是一个注释-您可能希望标准化到一个大于（0，1）的范围-您当前设置的sigmoid函数在该范围内几乎是线性的。如果你的模型没有很好的收敛，也许可以使用
minmax\u normal\u trainset=c*（trainingset-trainingset.mean（））/（trainingset.stdev（））
，然后调整
c
？我实际上缩放正常，模型结果很好，尽管我也将尝试你的建议。