def cost(self, x_mat: ndarray, y_row: ndarray) -> float:
"""
计算在 x_mat 和 y_row 上的代价。
:param x_mat: 特征向量组，行数 m 表示样本数，列数 n 表示特征数
:param y_row: 输出行向量，每一个值代表 x_mat 中对应行的输出
:return: 代价值。
"""
if self._theta is None:
raise StateError('not trained yet')
self._theta, x_mat = _t.match_theta_x(self._theta, x_mat)
x_mat, y_row = _t.match_x_y(x_mat, y_row)
if len(self.labels) == 2:
return self.__cost(self._theta, x_mat, y_row)
else:
m = x_mat.shape[0]
cost_sum = 0
for i, label in enumerate(self.labels):
y = y_row == label
cost_sum = cost_sum + np.sum(y) * self.__cost(
self._theta[:, i], x_mat, y) / m
return cost_sum
def probability(self, x_mat: ndarray) -> Union[ndarray, float]:
"""
返回对应于 x_mat 的预测概率。如果是二分类问题，那么返回一个行向量；如果是多分类问题，返回一个
m*num_labels 的矩阵，其中每一行表示样本在每个类上的概率。
:param x_mat: 特征向量组，行数 m 表示样本数，列数 n 表示特征数
:return: 预测概率。
"""
if self._theta is None:
raise StateError('not trained yet')
self._theta, x_mat = _t.match_theta_x(self._theta, x_mat)
return _mf.sigmoid(x_mat @ self._theta)
def cost(self, x_mat: ndarray, y_row: ndarray):
"""
计算在 x_mat 和 y_row 上的代价。
:param x_mat: 特征向量组，行数 m 表示样本数，列数 n 表示特征数
:param y_row: 输出行向量，每一个值代表 x_mat 中对应行的输出
:return: 代价值
"""
if self._theta_row is None:
raise StateError('not trained yet')
self._theta_row, x_mat = _t.match_theta_x(self._theta_row, x_mat)
x_mat, y_row = _t.match_x_y(x_mat, y_row)
return self.__cost(self._theta_row, x_mat, y_row)
def predict(self, x_mat: ndarray):
"""
使用训练好的参数进行预测。如果提供了特征缩放时的平均值、标准差向量，那么会先将特征值规范化。
:param x_mat: 特征向量组，行数 m 表示样本数，列数 n 表示特征数
:return: 预测结果
"""
if self._theta_row is None:
raise StateError('not trained yet')
self._theta_row, x_mat = _t.match_theta_x(self._theta_row, x_mat)
# 正规方程法不需要规范化数据
if self.method == 'gradient' and self.mean_row is not None and self.std_row is not None:
x_mat = _dp.feature_normalize(x_mat,
mean_row=self.mean_row,
std_row=self.std_row)[0]
return _t.ret(x_mat @ self._theta_row)
def predict(self, x_mat: ndarray) -> Union[ndarray, int]:
"""
返回预测值，是对应于 x_mat 的标记。
:param x_mat: 特征向量组，行数 m 表示样本数，列数 n 表示特征数
:return: 预测标记
"""
if self._theta is None:
raise StateError('not trained yet')
self._theta, x_mat = _t.match_theta_x(self._theta, x_mat)
prob = x_mat @ self._theta
if len(self.labels) == 2:
return _t.ret(
_t.convert_y(self.labels,
_mf.sigmoid(prob) >= self.threshold,
to=False))
else:
return _t.ret(self.labels[np.argmax(prob, axis=1)])