Matlab 梯度下降softmax回归.zip

function [theta,test_pre,rate] = mysoftmax_gd(X_test,X,label,lambda,alpha,MAX_ITR,varargin) % 该函数用于实现梯度下降法softmax回归 % 调用方式：[theta,test_pre,rate] = mysoftmax_gd(X_test,X,label,lambda,alpha,MAX_ITR,varargin) % X_test：测试输入数据 % X：训练输入数据，组织为m*p矩阵，m为案例个数，p为加上常数项之后的属性个数 % label：训练数据标签，组织为m*1向量（数值型） % lambda：权重衰减参数weight decay parameter % alpha：梯度下降学习速率 % MAX_ITR：最大迭代次数 % varargin：可选参数，输入初始迭代的theta系数，若不输入，则默认随机选取 % theta：梯度下降法的theta系数寻优结果 % test_pre：测试数据预测标签 % rata：训练数据回判正确率 % Genlovy Hoo，2016.06.29. [email protected] %% 梯度下降寻优 Nin=length(varargin); if Nin>1 error('输入太多参数') % 若可选输入参数超过1个，则报错 end [m,p] = size(X); numClasses = length(unique(label)); % 求取标签类别数 if Nin==0 theta = 0.005*randn(p,numClasses); % 若没有输入可选参数，则随机初始化系数 else theta=varargin{1}; % 若有输入可选参数，则将其设定为初始theta系数 end cost=zeros(MAX_ITR,1); % 用于追踪代价函数的值 for k=1:MAX_ITR [cost(k),grad] = softmax_cost_grad(X,label,lambda,theta); % 计算代价函数值和梯度 theta=theta-alpha*grad; % 更新系数 end %% 回判预测 [~,~,Probit] = softmax_cost_grad(X,label,lambda,theta); [~,label_pre] = max(Probit,[],2); index = find(label==label_pre); % 找出预测正确的样本的位置 rate = length(index)/m; % 计算预测精度 %% 绘制代价函数图 figure('Name','代价函数值变化图'); plot(0:MAX_ITR-1,cost) xlabel('迭代次数'); ylabel('代价函数值') title('代价函数值变化图');% 绘制代价函数值变化图 %% 测试数据预测 [mt,pt] = size(X_test); Probit_t = zeros(mt,length(unique(label))); for smpt = 1:mt Probit_t(smpt,:) = exp(X_test(smpt,:)*theta)/sum(exp(X_test(smpt,:)*theta)); end [~,test_pre] = max(Probit_t,[],2);