5.3　操作中的分类函数

这是我们最终的二元分类器代码，非常漂亮。它加载Roberto的数据文件，并从中学习，然后输出一堆分类结果，如下所示：

当我们从线性回归问题转向分类问题时，必须修改程序代码中的大多数函数。我们有一个全新的sigmoid()函数。旧的predict()函数被拆分为forward()和classify()这两个单独的函数，前者用于训练样本，后者用于分类输出。我们还修改了用于计算损失及其梯度的数学公式，现在使用的是log损失函数，而不是均方误差函数。因此，我们对loss()函数和gradient()函数有了全新的实现方式。

我们还编写了一个新的test()函数，用于打印输出正确的分类结果占全部分类结果的百分比。指令np.sum(classify(X,w)==Y)的含义是：首先将预测值与标签值进行比较并返回一个数组，其中预测值与标签值相匹配的元素返回True，预测值与标签值不匹配的元素返回False；然后，计算匹配元素的数量。

虽然有些代码自进入线性回归模型的内容后就发生了变化，但是这些代码核心概念并没有改变。loss()函数仍然告诉我们错误的程度。train()函数没有发生任何变化，它仍然使用损失函数的梯度下降方法来查找权重。最后，我们仍然在classify()函数（以前称为predict()函数）中使用这些权重实现对样本数据的分类。下面是我们这个程序运行包含10 000个训练样本时迭代计算的具体情况：

这个程序的准确率为83.3%（30个样本中有25个样本分类正确）。还不算坏！

正确分类的样本所占的比例称为分类器的准确率。虽然准确率并不是衡量分类器性能的最佳标准，但是它简单又直观。因此，准确率这个标准将贯穿本书的始终。ProgML[1]网站给出了更多关于准确率及一些额外的有关度量标准。

[1] https://www.progml.com。参见ProgML 网站上的“The Problem with Accuracy”。