Python 如何向量化Logistic回归？

我正在尝试使用python为coursera ML类实现正则化逻辑回归，但在矢量化它时遇到了很多困难。使用存储库：

我尝试了许多不同的方法，但从未获得正确的梯度或成本，这是我当前的实现：

h = utils.sigmoid( np.dot(X, theta) )
J = (-1/m) * ( y.T.dot( np.log(h) ) + (1 - y.T).dot( np.log( 1 - h ) ) ) + ( lambda_/(2*m) ) * np.sum( np.square(theta[1:]) )
grad = ((1/m) * (h - y).T.dot( X )).T + grad_theta_reg

结果如下：

Cost         : 0.693147

期望

cost: 2.534819

梯度：

[-0.100000, -0.030000, -0.080000, -0.130000]

预期坡度：

[0.146561, -0.548558, 0.724722, 1.398003]

---

如果有人知道发生了什么，我们将不胜感激。

下面是逻辑回归矢量化版本的工作片段。你可以在这里看到更多

Main

theta\u t=np.数组（[[-2]、-1]、[1]、[2]]
数据=np.arange（1,16）。重塑（3,5）。T
X_t=np.c_[np.ones（（5,1）），数据/10]
y_t=（np.数组（[[1]，[0]，[1]，[0]，[1]]）>=0.5）*1
lambda_t=3
J、 梯度=lRCOST函数（θt，X t，y t，λt），lRCOST梯度（θt，X t，y t，λt，flattResult=False）
打印（'\n成本：f\n'，J）
打印（'预期成本：2.534819\n'）
打印（'渐变：\n'）
打印（'f\n'，渐变）
打印（'预期的渐变：\n'）
打印（'0.146561\n-0.548558\n 0.724722\n 1.398003\n'）

lrCostFunction

从sigmoid导入sigmoid
将numpy作为np导入
def lrCostFunction（θ、X、y、reg_λ）：
“lRCOST函数计算逻辑回归的成本和梯度
正规化
J=lrcost函数（θ，X，y，λ）计算使用成本
θ作为正则logistic回归的参数和
成本w.r.t.与参数的梯度。
"""
m、 n=X.shape#培训示例数
θ=θ。重塑（（n，1））
预测=S形（X点（θ））
成本（1-y）*np.log（1-预测）
成本0=-1*y*np.log（预测）
J=（1.0/m）*np.sum（cost_y_0-cost_y_1）+（reg_lambda/（2.0*m））*np.sum（np.power（θ[1:]，2））
返回J

lrGradient

从sigmoid导入sigmoid
将numpy作为np导入
def lrGradient（θ，X，y，reg_λ，flattresult=True）：
m、 n=X.形状
θ=θ。重塑（（n，1））
预测=S形（np.dot（X，θ））
误差=np.减去（预测，y）
梯度=（1.0/m）*np.点（X.T，误差）
梯度，其中正则=梯度[1:]+（正则λ/m）*θ[1:]
firstRow=grad[0，：]。重塑（（1,1））
grad=np.r\u[第一行，带规则的grad\u]
如果结果是：
返回梯度展平（）
返回梯度

希望有帮助