手动实现逻辑回归时预测值维度自动增长触发广播报错

问题根因 #

报错的核心原因是权重更新环节的维度不匹配，触发numpy广播机制导致权重形状异常：

• 初始化时权重self.w被定义为形状(n_features, 1)的二维列向量
• 第一次迭代时，你把预测值ypred从形状(1000,1)的二维数组flatten成了形状(1000,)的一维数组，后续计算得到的梯度dw形状为(n_features,)（一维数组）
• 执行权重更新self.w = self.w - self.lr * dw时，形状为(n_features,1)的二维数组和形状为(n_features,)的一维数组会触发numpy广播规则，最终更新后的self.w形状变为(n_features, n_features)
• 你用make_blobs生成的数据集默认特征数n_features=2，第二次迭代时np.dot(X, self.w)输出形状为(1000, 2)，flatten后长度就是2000，和长度1000的标签y形状不匹配，触发广播报错。

另外你的训练方法形参定义为(self, X, Y)，但内部计算代价、打印维度时调用的是全局变量y而非传入的形参Y，属于隐藏的代码隐患，换调用场景很容易出变量引用错误。

修复方案 #

两种方案任选其一即可，核心是保证权重、梯度、预测值的维度全程对齐：

方案1：使用权重一维数组（实现最简便） #

初始化权重时直接使用一维数组，去掉多余的列维度，从根源避免广播异常：

# 替换原初始化代码 self.w=np.zeros((self.n,1))
self.w = np.zeros(self.n)
self.b = 0

修改后运算逻辑天然对齐：

• np.dot(X, self.w)输出形状直接是(self.m,)，和标签y形状完全一致，不需要额外flatten
• 计算得到的梯度dw形状为(self.n,)，和权重形状匹配，参数更新不会出现维度异常

方案2：全程保持二维矩阵运算（逻辑更严谨） #

如果习惯用列向量形式做矩阵运算，就不要把预测值拍平成一维，同时把标签也转为对应二维形状：

self.w=np.zeros((self.n,1))
self.b=0
#training loop
for i in range (self.itr+1):
    # 预测值保持二维形状 (m,1)
    ypred = self.sigmoid(np.dot(X, self.w) + self.b)
    # 标签转为二维列向量，和预测值形状对齐
    y_train = Y.reshape(-1, 1)
    # 计算代价
    cost= -(1/self.m)*np.sum(y_train*np.log(ypred)+ (1-y_train)*np.log(1-ypred))
    # 计算梯度，dw形状为(n,1)，和权重形状完全匹配
    dw=(1/self.m)*np.dot(X.T, (ypred-y_train))
    db=(1/self.m)*np.sum(ypred-y_train)
    
    self.w=self.w-self.lr*dw
    self.b=self.b-self.lr*db

注意：上述代码已经把训练过程引用的标签从全局变量y改成了形参Y，修复了之前提到的变量引用隐患。

内容的提问来源于stack exchange，提问作者anna