逻辑回归的向量化实现样例

以下是梯度运算代码的一种实现，非常恐怖，速度极慢：

以下是梯度运算代码的一种实现，非常恐怖，速度极慢：

% 代码1

% 代码1

grad = zeros(n+1,1);

grad = zeros(n+1,1);

但是，或许可以向量化得更彻底些。如果去除for循环，我们就可以显著地改善代码执行效率。特别的，假定b是一个列向量，A是一个矩阵，我们用以下两种方式来计算A*b：

但是，或许可以向量化得更彻底些。如果去除for循环，我们就可以显著地改善代码执行效率。特别的，假定b是一个列向量，A是一个矩阵，我们用以下两种方式来计算A*b：

% 矩阵-向量乘法运算的低效代码

% 矩阵-向量乘法运算的低效代码

grad = zeros(n+1,1);

grad = zeros(n+1,1);

我们看到，代码2是用了低效的for循环语句执行梯度上升（译者注：原文是下降）运算，将b(i)看成(y(i) - sigmoid(theta'*x(:,i)))，A看成x，我们就可以使用以下高效率的代码：

我们看到，代码2是用了低效的for循环语句执行梯度上升（译者注：原文是下降）运算，将b(i)看成(y(i) - sigmoid(theta'*x(:,i)))，A看成x，我们就可以使用以下高效率的代码：

% 代码3

% 代码3

grad = x * (y- sigmoid(theta'*x));

grad = x * (y- sigmoid(theta'*x));