我的代碼給出了不同的結果，而我的機器學習作業中的相同代碼卻期望得到不同的結果？

Question

我的代碼

def lrCostFunction(theta, X, y, lambda_):
    m = y.size

    if y.dtype == bool:
        y = y.astype(int)

    tempt = theta
    tempt[0] = 0

    J = 0
    grad = np.zeros(theta.shape)
    hx = X.dot(theta.T)
    h = sigmoid(hx)

    J = (1/m) * np.sum(-y.dot(np.log(h)) - (1-y).dot(np.log(1-h)))
    J = J + (lambda_/(2*m)) * np.sum(np.square(tempt))

    grad = ((1/m) * (h - y) .dot(X)) + (lambda_/m) * tempt

    return J, grad

# rand_indices = np.random.choice(m, 100, replace=False)
# sel = X[rand_indices, :]\


theta_t = np.array([-2, -1, 1, 2], dtype=float)
X_t = np.concatenate([np.ones((5, 1)), np.arange(1, 16).reshape(5, 3, order='F')/10.0], axis=1)
y_t = np.array([1, 0, 1, 0, 1])
lambda_t = 3

cost, gradient = lrCostFunction(theta_t, X_t, y_t, lambda_t)
print("J= ", cost, "\nGrad= ", gradient)

OUTPUT：

J=  3.0857279966152817 
Grad=  [ 0.35537648 -0.49170896  0.88597928  1.66366752]

作業要求來自相同輸入的這些結果：

print('Cost         : {:.6f}'.format(J))
print('Expected cost: 2.534819')
print('-----------------------')
print('Gradients:')
print(' [{:.6f}, {:.6f}, {:.6f}, {:.6f}]'.format(*grad))
print('Expected gradients:')
print(' [0.146561, -0.548558, 0.724722, 1.398003]');

我什至在 inte.net 上搜索答案，每個人的代碼都和我一樣，他們說他們的結果和預測的一樣。 我甚至在我的 pycharm IDE 上復制了他們的代碼，但我又得到了相同的答案。 如果您想閱讀問題“向量化正則化邏輯回歸”，輸入也相同

鏈接： PYTHON ANDREW NG ML 課程作業

鏈接到具有相同代碼和正確答案的其中一個解決方案：

鏈接： 聲稱與我的相同代碼獲得預期結果的人之一

這也發生在我上次作業的一部分中，這真的很令人沮喪，所以我正在尋求幫助。

Answer 1

你的代碼是正確的。 問題是，當您更改值tempt[0]時，您也在更改theta[0] 。 復制theta可確保初始向量不變。

def lrCostFunction(theta, X, y, lambda_):
    m = y.size

    if y.dtype == bool:
        y = y.astype(float)
    
    J = 0
    grad = np.zeros(theta.shape)
    hx = X.dot(theta.T)
    h = sigmoid(hx)

    tempt = np.copy(theta)    # Copy of theta
    tempt[0] = 0
    
    J = (1/m) * np.sum(-y.dot(np.log(h)) - (1-y).dot(np.log(1-h)))
    J = J + (lambda_/(2*m)) * np.sum(np.square(tempt))
    
    grad = ((1/m) * (h - y) .dot(X)) + (lambda_/m) * tempt
    
    print(theta, tempt)
    return J, grad

cost, gradient = lrCostFunction(theta_t, X_t, y_t, lambda_t)
print("J= ", cost, "\nGrad= ", gradient)

# Output:
# [-2. -1.  1.  2.] [ 0. -1.  1.  2.]
# J=  2.534819396109744 
# Grad=  [ 0.14656137 -0.54855841  0.72472227  1.39800296]