面试准备- Logistic回归问题

Question

所以我正在做一些准备面试的练习。然而，有一项任务我不明白。也许你们中的一些人能解释一下他们想让我做什么？这将帮助我理解我可能遇到的潜在问题框架。

这是一项任务：

Logit回归函数LogitRegression(arr)读取由空间分隔的4个数字x、y、a、b的输入数组，并为更新的a和b返回两个数字的输出(假设学习速率为1)。将a和b的小数点后最多保存3位数字。输出应该是一个字符串，格式为: a，b。

  def LogitRegression(arr):

  # code goes here
  return arr

  # keep this function call here 
  print(LogitRegression(input()))

Logistic回归是一种简单的分类方法，在神经网络中，同样的公式也常被用作输出层。我们假设输入和输出变量都是标量，并且logistic回归可以写成：

Y= 1.0 / (1.0 + exp(-ax - b))

在观察数据示例(x，y)之后，参数a和b可以使用梯度下降和学习速率进行更新。示例：

输入：1，1，1，1

产出: 0.881，0.881

输入：2.2、0.0、5.1、5.7

产出: 7.3、6.7

我不明白的是，它们只给了我4个标量，并希望我在x，y上训练，然后预测a和b。或者是a，应该是权值和偏差，我需要返回训练过的？第二个例子中的输出数字与概率不匹配，所以不可能是这样。我可能想得太多了，这只是我需要做的一件简单的事情？

这是我尝试过的代码：

arr = np.array([2.2, 0.0, 5.1, 5.7])
arr2 = np.array([1.0, 1.0, 1.0,1.0])

def Logit(arr):
    learnrate = 1
    X = arr[0]
    y = arr[1]
    weights = arr[2]
    bias = arr[3]
    
    y_hat = 1/(1+np.exp(np.dot(X, -weights) - bias))
    new_weights = weights + learnrate * (y - y_hat) * X
    new_bias = bias + learnrate*(y - y_hat)
    print(new_weights, new_bias)
    
Logit(arr)

输出：

2.900000098664297 4.700000044847409

Answer 1

它们给出模型参数a和b的当前值，以及一个新的数据点(x,y)，并请求使用数据点执行梯度下降的一个训练步骤，并返回a和b的更新值。

代码的问题是，在参数更新中，学习速率的标志是错误的。如果将其更改为减号，结果将如预期的那样：

new_weights = weights - learnrate * (y - y_hat) * X
new_bias = bias - learnrate*(y - y_hat)

Answer 2

除了符号错误之外，您所缺少的是只考虑三个十进制数字(并将数字转换为字符串)。