theta = np.random.randn(2,1)

根据提供的引用内容，theta = np.random.randn(2,1)是一个使用NumPy库生成一个2行1列的随机数组的Python代码。其中，np.random.randn()函数返回一个或多个样本，具有标准正态分布。这意味着生成的随机数遵循正态分布，均值为0，标准差为1。

下面是一个示例代码，展示如何使用theta = np.random.randn(2,1)生成随机数组：

import numpy as np

theta = np.random.randn(2,1)
print(theta)

输出：

[[-0.12345678]
 [ 1.23456789]]

相关问题

import matplotlib.pyplot as plt from scipy.stats import norm X = df.iloc[:, 4:] # 特征数据 X = scaler.fit_transform(X) y_1 = df[['U(Ⅳ)浓度']] # 目标变量1 y_2 = df[['U(Ⅵ)浓度']] # 目标变量2) # 添加偏置项 x0=1 到 X 中 X_b = np.c_[np.ones((X.shape[0], 1)), X] # 初始化学习率，迭代次数和初始参数 eta = 0.1 n_iterations = 1000 theta = np.random.randn(2, 1) # 定义似然函数计算梯度 def likelihood(theta, X, y): m = y.size h = X.dot(theta).flatten() mu = h sigma = 1 # 假设高斯噪声的标准差是1 p = norm(mu, sigma).pdf(y.flatten()) L = np.prod(p) return L # 定义损失函数计算梯度 def loss(theta, X, y): m = y.size h = X.dot(theta).flatten() mu = h sigma = 1 # 假设高斯噪声的标准差是1 p = norm(mu, sigma).pdf(y.flatten()) J = -np.sum(np.log(p)) return J/m # 批量梯度下降算法 for iteration in range(n_iterations): gradients = 2/X_b.shape[0] * X_b.T.dot(X_b.dot(theta) - y) theta = theta - eta * gradients if iteration % 100 == 0: print(f"Iteration {iteration}: theta={theta.flatten()}, likelihood={likelihood(theta, X_b, y)}, loss={loss(theta, X_b, y)}") # 绘制数据和回归直线 plt.plot(X, y, "b.") X_new = np.array([[0], [10]]) X_new_b = np.c_[np.ones((2, 1)), X_new] y_predict = X_new_b.dot(theta) plt.plot(X_new, y_predict, "r-", linewidth=2, label="Predictions") plt.xlabel("X") plt.ylabel("y") plt.legend() plt.show()

这段代码是一个简单的线性回归模型，使用了批量梯度下降法来拟合数据。具体来说，它首先进行了特征数据的标准化处理，然后定义了似然函数和损失函数来计算梯度，最后使用批量梯度下降法来更新参数并拟合数据。在训练过程中，它每迭代100次就会输出当前参数、似然函数和损失函数的值。最后，它将拟合出的回归直线和原始数据一起绘制在图上，以便进行可视化比较。

翻译这段程序并自行赋值调用：import matplotlib.pyplot as plt import numpy as np import sklearn import sklearn.datasets import sklearn.linear_model def plot_decision_boundary(model, X, y): # Set min and max values and give it some padding x_min, x_max = X[0, :].min() - 1, X[0, :].max() + 1 y_min, y_max = X[1, :].min() - 1, X[1, :].max() + 1 h = 0.01 # Generate a grid of points with distance h between them xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h)) # Predict the function value for the whole grid Z = model(np.c_[xx.ravel(), yy.ravel()]) Z = Z.reshape(xx.shape) # Plot the contour and training examples plt.contourf(xx, yy, Z, cmap=plt.cm.Spectral) plt.ylabel('x2') plt.xlabel('x1') plt.scatter(X[0, :], X[1, :], c=y, cmap=plt.cm.Spectral) def sigmoid(x): s = 1/(1+np.exp(-x)) return s def load_planar_dataset(): np.random.seed(1) m = 400 # number of examples N = int(m/2) # number of points per class print(np.random.randn(N)) D = 2 # dimensionality X = np.zeros((m,D)) # data matrix where each row is a single example Y = np.zeros((m,1), dtype='uint8') # labels vector (0 for red, 1 for blue) a = 4 # maximum ray of the flower for j in range(2): ix = range(Nj,N(j+1)) t = np.linspace(j3.12,(j+1)3.12,N) + np.random.randn(N)0.2 # theta r = anp.sin(4t) + np.random.randn(N)0.2 # radius X[ix] = np.c_[rnp.sin(t), rnp.cos(t)] Y[ix] = j X = X.T Y = Y.T return X, Y def load_extra_datasets(): N = 200 noisy_circles = sklearn.datasets.make_circles(n_samples=N, factor=.5, noise=.3) noisy_moons = sklearn.datasets.make_moons(n_samples=N, noise=.2) blobs = sklearn.datasets.make_blobs(n_samples=N, random_state=5, n_features=2, centers=6) gaussian_quantiles = sklearn.datasets.make_gaussian_quantiles(mean=None, cov=0.5, n_samples=N, n_features=2, n_classes=2, shuffle=True, random_state=None) no_structure = np.random.rand(N, 2), np.random.rand(N, 2) return noisy_circles, noisy_moons, blobs, gaussian_quantiles, no_structure

这段程序是一个分类模型的辅助函数，包括了绘制决策边界、sigmoid函数和加载数据集的函数。具体实现如下：

import matplotlib.pyplot as plt
import numpy as np
import sklearn
import sklearn.datasets
import sklearn.linear_model

def plot_decision_boundary(model, X, y):
    # 设置最小值和最大值，并给它们一些填充
    x_min, x_max = X[0, :].min() - 1, X[0, :].max() + 1
    y_min, y_max = X[1, :].min() - 1, X[1, :].max() + 1
    h = 0.01

    # 生成一个网格，网格中点的距离为h
    xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))

    # 对整个网格预测函数值
    Z = model(np.c_[xx.ravel(), yy.ravel()])
    Z = Z.reshape(xx.shape)

    # 绘制轮廓和训练样本
    plt.contourf(xx, yy, Z, cmap=plt.cm.Spectral)
    plt.ylabel('x2')
    plt.xlabel('x1')
    plt.scatter(X[0, :], X[1, :], c=y, cmap=plt.cm.Spectral)

def sigmoid(x):
    s = 1 / (1 + np.exp(-x))
    return s

def load_planar_dataset():
    np.random.seed(1)
    m = 400  # 样本数量
    N = int(m / 2)  # 每个类的样本数量

    # 生成数据集
    D = 2  # 特征维度
    X = np.zeros((m, D))  # 特征矩阵
    Y = np.zeros((m, 1), dtype='uint8')  # 标签向量

    a = 4  # 花的最大半径

    for j in range(2):
        ix = range(N*j, N*(j+1))
        t = np.linspace(j*3.12, (j+1)*3.12, N) + np.random.randn(N)*0.2  # theta
        r = a*np.sin(4*t) + np.random.randn(N)*0.2  # radius
        X[ix] = np.c_[r*np.sin(t), r*np.cos(t)]
        Y[ix] = j

    X = X.T
    Y = Y.T

    return X, Y

def load_extra_datasets():
    N = 200
    noisy_circles = sklearn.datasets.make_circles(n_samples=N, factor=.5, noise=.3)
    noisy_moons = sklearn.datasets.make_moons(n_samples=N, noise=.2)
    blobs = sklearn.datasets.make_blobs(n_samples=N, random_state=5, n_features=2, centers=6)
    gaussian_quantiles = sklearn.datasets.make_gaussian_quantiles(mean=None, cov=0.5, n_samples=N, n_features=2, n_classes=2, shuffle=True, random_state=None)
    no_structure = np.random.rand(N, 2), np.random.rand(N, 2)

    return noisy_circles, noisy_moons, blobs, gaussian_quantiles, no_structure

这段程序中包含了以下函数：

- `plot_decision_boundary(model, X, y)`：绘制分类模型的决策边界，其中`model`是分类模型，`X`是特征矩阵，`y`是标签向量。
- `sigmoid(x)`：实现sigmoid函数。
- `load_planar_dataset()`：加载一个二维的花瓣数据集。
- `load_extra_datasets()`：加载五个其他数据集。