使用Logistic Regression Algorithm进行多分类数字识别的Octave仿真

所需解决的问题是，训练一个Logistic Regression系统，使之能够识别手写体数字1-10，每张图片为20px*20px的灰度图。训练样例的输入X是5000行400列的一个矩阵，每一行存储一张图片(20^2=400)，共5000个训练样例，而y则为手写体所表示的数字1-10。

利用Logistic Regression进行多分类应用，其基础是将问题本身化解为z个二分类问题，其中z为类别的个数。第一步，将向量m*1维y扩展为矩阵m*z维矩阵Y，向量n+1维向量theta扩展为矩阵z*(n+1)维矩阵Theta。其意义是将一维数据转换至二维，以0,1表示，从而使我们能够利用二分类来解决问题。如下图：

第二步，利用内置函数fmincg来求解10组问题的最佳theta值，构建10*401维theta_all矩阵：

function [all_theta] = oneVsAll(X, y, num_labels, lambda)
m = size(X, 1);
n = size(X, 2);

all_theta = zeros(num_labels, n + 1);

% Add ones to the X data matrix
X = [ones(m, 1) X];

% loop for every number, we train the theta of every number respectively.
initial_theta = zeros(n+1,1);
options = optimset('GradObj', 'on', 'MaxIter', 50);

for(i=1:num_labels)

  y_b=(y==i);

  all_theta(i,:) = fmincg (@(t)(lrCostFunction(t, X,y_b, lambda)), ...
                   initial_theta, options);


endfor

 其中用到的lrCostFunction函数如下：

function [J, grad] = lrCostFunction(theta, X, y, lambda)
%LRCOSTFUNCTION Compute cost and gradient for logistic regression with 
%regularization
%   J = LRCOSTFUNCTION(theta, X, y, lambda) computes the cost of using
%   theta as the parameter for regularized logistic regression and the
%   gradient of the cost w.r.t. to the parameters. 

% Initialize some useful values
m = length(y); % number of training examples
J = 0;
grad = zeros(size(theta));

tmp=ones(m,1);
h = sigmoid(X*theta);
h1=log(h);
h2=log(tmp-h);

y2=tmp-y;

J=(y'*h1+y2'*h2)/(-m);

theta(1)=0;

J+=theta'*theta*lambda/(2*m);
grad=((X'*(h-y))+lambda*theta)/m;

grad = grad(:);

end

第三步，合并该问题，构建“可能性矩阵”，然后选择可能性最大的项作为系统的输出：

function p = predictOneVsAll(all_theta, X)

m = size(X, 1);
num_labels = size(all_theta, 1);

p = zeros(size(X, 1), 1);

X = [ones(m, 1) X];

probMatrix = X*all_theta';
[pVector,p] = max(probMatrix,[],2);

end