def Call_myLRmodel(X, y):
theta = np.zeros([1, X.shape[1]])
model = LogisticRegression(theta, regularization=1)
result = model.optimize(X, y)
cost = model.cost(result[0], X, y)
print(result, cost)
predictions = model.predict(X)
accuracy = Cal_accuracy(predictions, y)
return cost, accuracy
1).astype(np.float64)
lr_list.append(
LogisticRegression(x_train, x_train.shape[0], feature_num + 1,
y_train, li, learning_rate, True))
# Cost/ Epoch 그래프를 위한 리스트
cost_list = []
count_list = []
# 학습과 그 Cost 계산. 함수의 매개변수는 몇개의 데이터를 한번에 학습시킬지를 의미.
# epoch
epoch = 100
for i in range(epoch):
if not single_lr:
logistic_regression.learn(60000) # 학습
cost = logistic_regression.cost(60000) # 코스트
print("epoch", i, cost)
cost_list.append(cost)
count_list.append(i + 1)
else:
tmp_li = [] # 각 class 별로 cost 를 한꺼번에 출력하기 위한 리스트
for j in range(10):
lr_list[j].learn(60000) # 학습
cost = lr_list[j].cost(60000) # 코스트
tmp_li.append(cost)
cost_list.append(tmp_li)
count_list.append(i + 1)
print("epoch", i, "|", tmp_li)
# plt 를 사용하여 산포도 그래프 생성
plt.title('B511086 Seongjin Bak Logistic Regression for MNIST datum')
# Single class Logistic Regression 오브젝트 생성 후 리스트에 연접
lr_list.append(
LogisticRegression(x_train, x_train.shape[0], feature_num + 1,
y_target, li, learning_rate, True))
# Cost/ Epoch 그래프를 위한 리스트
cost_list = []
epoch_list = []
# 학습과 그 Cost 계산. 함수의 매개변수는 몇개의 데이터를 한번에 학습시킬지를 의미.
# Epoch
epoch = 1000
for i in range(epoch):
if not single_lr:
logistic_regression.learn(100) # 학습 실시
cost = logistic_regression.cost(100) # Cost 계산
cost_list.append(cost)
epoch_list.append(i + 1)
print("epoch", i, "|", cost)
else:
tmp_li = [] # 각 class 별로 cost 를 한꺼번에 출력하기 위한 리스트
for j in range(3):
lr_list[j].learn(100) # 학습 실시
tmp_li.append(lr_list[j].cost(100)) # Cost 계산
cost_list.append(tmp_li)
epoch_list.append(i + 1)
print("epoch", i, "|", tmp_li)
# plt 를 사용하여 그래프 생성
plt.title('B511086 Seongjin Bak Logistic Regression for Iris datum')
plt.plot(epoch_list, cost_list)
