请教一下老师，为啥我运行人脸分类的代码，报下面的错？

import numpy as np
from sklearn import datasets
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import confusion_matrix
from sklearn.model_selection import GridSearchCV
from sklearn.svm import SVC
import matplotlib.pyplot as plt

iris=datasets.load_iris()
# print(list(iris.keys()))
# print(iris['DESCR'])
# print(iris['feature_names'])
X=iris['data'][:,3:]
# print(X)
# print(iris['target'])
y=iris['target']
print(X)
print(y)

param_grid={'C':[1e3,5e3,1e4,5e4,1e5],
            'gamma':[0.0001,0.0005,0.001,0.005,0.01,0.1]}
model1=GridSearchCV(SVC(kernel='rbf',class_weight='balanced'),param_grid,cv=5)
model1=model1.fit(X,y)
model2=GridSearchCV(SVC(kernel='sigmoid',class_weight='balanced'),param_grid,cv=5)
model2=model2.fit(X,y)

test_labels=np.zeros(150)
test_labels[75:150]=1
result1=model1.predict(X)

test_labels=np.zeros(150)
test_labels[75:150]=1
result2=model2.predict(X)

print(confusion_matrix(test_labels,result1))
print(confusion_matrix(test_labels,result2))
model3=GridSearchCV(SVC(kernel='poly',class_weight='balanced'),param_grid,cv=5)
model3=model3.fit(X,y)

test_labels=np.zeros(150)
test_labels[75:150]=1
result3=model3.predict(X)
print(confusion_matrix(test_labels,result3))

model4=GridSearchCV(SVC(kernel='linear',class_weight='balanced'),param_grid,cv=5)
test_labels=np.zeros(150)
test_labels[75:150]=1
model4=model4.fit(X,y)
result4=model4.predict(X)
print(confusion_matrix(test_labels,result4))

改变四个核函数之后训练出来的模型为什么后面三个结果是一样的，这是巧合还是就是会出现这种情况

import numpy as np

#创建数据集X,y
X=np.random.rand(100,1)
y=4+3*X+np.random.randn(100,1)
X_b=np.c_[np.ones(100),X]


#创建超参数
learning_rate=0.0001
n_iterations=10000

#1.创建cta，w0,w1,w2,w3,....,wn
cta=np.random.randn(2,1)

def p_theta_function(features,w1,w2):
    z=w1*features[0]+w2*features[1]
    #这里使用sigmoid函数，y_heater=1/(1+exp(-1*cta.T.dot(X)))
    return 1/(1+np.exp(-z))

#4.判断是否收敛，一般不会去设置阈值，而是采用相对大的迭代次数
for _ in range(n_iterations):
   
    gradients=0  
    #2.求梯度，计算gradient
    for i in range(100):
        x=X_b[i:i+1,:]
        y=y[i:i+1]
        p_result=p_theta_function(x,cta[0],cta[1])
        gradients+=x.T.dot(p_result-y)
        #3，应用梯度下降法公式调整cta值，cta(t+1)=cta(t)-ita*gradient
    cta=cta-learning_rate*gradients/100
   
print(cta)
这里我传的参数是1行两列，为什么他运行不了显示参数不够

老师，这里既然已经求出α1和α2为什么还要做变换来更新α1和α2呢，这里的α1和α2不就是在极值点取得的吗？这里我有些不明白？望老师给解答一下。

老师这个xi为什么把转置去掉了啊

这里不是2/3， 是3/2

fft中根据采样率去投影，和不用采样率去投影的区别是？

老师讲得挺深入，给老师打call, 哈哈哈，打call放在了问答区

老师，之前多元线性回归的数学理论基础是，误差服从高斯分布，所以有误差的概率密度函数，继而有联合概率密度函数，根据最大似然估计，求联合概率密度最大时候的theta,再用这个参数去预测y_hat.

但这里看起来需要y服从高斯分布，然后回归的y_hat才是y的期望。  就是多元线性回归还需要一个假设是y服从正态分布吗, 那要是不服从的话，预测的y_hat还能看作是期望吗

老师好，能否提供一下这里面用的几首歌？可以跟着实操一下

老师好，

sox安装后在Windows下怎么使用呢？在安装目录下点击sox.exe没有反应。上网查了也没明白，怎么使用才能实现，视频中创建混音数据的功能。

老师，这里能不能展开写一下，我有点算不来，谢谢

这里的x后面不应该是k吗？为什么还是xi？

η不应该就是i下标吗，计算的是i确定后j从1~k的每一项概率加和，ηj=θjTx（i），这里面的j才应该是外面的1~k，i是Pi确定的

老师，这里为什么要对b求最小呢？