我有一个包含 20 列和 785 行的 CSV 文件。每列的第 785 行是描述编码图像的标签。编码图像是3或5。所以 1-784 行是编码图像，第 785 行是命名图像的标签。

我加载了 CSV 文件3_5_small.csv并将标签与编码数据分离。

如您所见，这是数字3的图像。

现在，我决定使用逻辑回归从编码数据中预测图像。正如Andrew NG 在机器学习课程中所解释的那样，我使用了随机梯度下降法。但我不认为，我做对了。在遵循代码之前，这是我执行的步骤：

• Transformedtrain_labels_3_5分别只包含3and 5to1和to 0。所以我想预测3. 如果输出概率 < 0.5，则为 5，> 0.5 为 3。
• 随机洗牌train_data_3_5和train_labels_3_5到相同的程度。
• 随机生成theta向量
• theta将向量和X向量传递到hypothesis函数中
• 更新了theta向量。

这就是我所做的一切。这是我所做的代码。

train <- function(data, labels, alpha = 0.001) {
  #browser()

  #Initialize the theta vector
  theta <- seq(from = 0, to = 1, length.out = nrow(data))

  number_of_iterations = 10
  for(noi in 1:number_of_iterations) {
    for(i in seq(1:ncol(data))) {
      x = as.vector(data[,i]) #Create a x vector
      h = hypothesis(x, theta) #Call the hypothesis function to get the probability
      y = labels[1,i]
      theta <- theta - (alpha * ((h - y) * x))
    }
  }
  return(theta)
}

但是在测试数据甚至训练数据上，这根本不能预测正确。我不知道我哪里出错了。我重新审视了算法，讲座，但无法弄清楚，我做错了什么。1无论我传递3还是5的向量，它总是预测！