📉Logistic Regression

🧱 Temel Hiyerarşi

• Train, test verileri alınır

• Veriler 1D (flatten) yapılır

• Normalize edilir (0-1 arasına alma işlemi)

• Aktivasyon fonksiyonu tanımlanır (sigmoid, relu vs ...)

• w (weight) ve b (bias) değerleri oluşturulur

  • w Vektör (wx + wx ... )

  • b Sabit değer

• Propagation ve optimazson fonksiyonları tanımlanır

• Tün fonksiyonlar model içerisinde birleştirilir

Detayalar için notebook'a bakabilirsin.

💎 Kavramlar

Learning Rate

• Eğitimdeki ilerleme oranını belirtir (adım uzunluğu)

• Çok fazla olursa ileriye atlayabilir (overshoot)

• Çok küçük olursa çok fazla adımda doğru sonuca ulaşabiliriz

• Doğru boyutu bulmak gerekir

📈 Grafik Çizdirme

Tek grafik çizdirme

# Plot learning curve (with costs)
def show_graph(data, y_label, x_label, title):
    costs = np.squeeze()
    plt.plot(costs, label=label)
    plt.ylabel(y_label)
    plt.xlabel(x_label)
    plt.title(title)
    plt.show()

# Örnek kullanım
show_graph( \
    d['costs'], \ # d, tahmin sonucu gelen dict verisi
    'cost', \
    'iterations (per hundreds)', \
    "Learning rate =" + str(d["learning_rate"]) \
)

Çoklu Grafik Çizdirme

learning_rates = [0.01, 0.001, 0.0001]
models = {}
for i in learning_rates:
    print ("learning rate is: " + str(i))
    models[str(i)] = model(
        train_set_x, train_set_y, test_set_x, 
        test_set_y, num_iterations = 1500, l
        earning_rate = i, print_cost = False
    )
    print (
        '\n' + 
        "-------------------------------------------------------" + 
        '\n'
    )

for i in learning_rates:
    plt.plot(
        np.squeeze(models[str(i)]["costs"]), 
        label= str(models[str(i)]["learning_rate"])
    )

plt.ylabel('cost')
plt.xlabel('iterations (hundreds)')

legend = plt.legend(loc='upper center', shadow=True)
frame = legend.get_frame()
frame.set_facecolor('0.90')
plt.show()

📦 Deeplearning Frameworks

• Tensorflow

• Paddlepaddle

• Keras

• Caffe