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

老师，我有一个问题：RCNN里面，每个框都要进入卷积里面吗，我记得负例是不进入损失函数的，是吗老师。

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

老师好，我们需要的是Yi，不管是正向传播还是反向传播，红色圈起来的部分都不会对Yi有影响，看上去是不会影响结果的，那存在的意义是什么呢

jupyter notebook装了啊，老师看看

以管理员权限运行是这样的

jupyter指令无效，另外在miniconda的路径下也没有找到Ipython的文件夹

jupyter指令无效，另外在miniconda的路径下也没有找到Ipython的文件夹

为啥移了两位是2的平方？

请问下图里面的Ot-1, Ot 是不是只输出了并不会参与后续计算，如果是的话为啥要输出呢

老师好，这里提到了Xt是一个矩阵，是多条句子输入合并成的矩阵。请问Xt里面的不同句子在正向传播的过程中互相之间会有关联吗？如果有，如何理解RNN一次性学了多个句子然后还不被不同句子之间相互混淆缠绕呢？

老师，这里KMmeans在预测新数据时会不会改变原来已经训练好的簇中心？

老师我这是怎么回事呢

老师我这是怎么回事呢