#!?F:\ELM\Python\logistic?analysis\regularization?constrains?ELM?3.5.2（64-bit）
#?coding=utf-8
import?numpy?as?np
#激活函數(shù)
from?numpy?import?zeros
def?F（x）:
???F=1.0/（1+np.exp（-x））
???return?F
#構(gòu)造偏置矩陣?參數(shù)Num是隱藏層神經(jīng)元個數(shù)，InitB是偏置的大小，np.not（）是矩陣乘法運算
def?CreateB（NumInitB）:
????B=np.dot（np.ones（（Num1））InitB）
????return?B
#計算精度
def?CalAccur（datalabelInWOutWInitB）:
????Num=data.shape[0]
????result=np.dot（F（np.dot（dataInW）+CreateB（NumInitB））OutW）#公式
????count=float（0）
????for?i?in?range（Num）:
????????NewIndex?=?np.argmax（result[i:]?axis=0）??#?返回沿軸axis最大值的索引。axis=0給出最大值所在的列從第0列開始，axis=1，表示行
????????if（NewIndex==label[i]）:
????????????count+=1
????return?count/Num?#正確的數(shù)量除以總數(shù)量
#讀入數(shù)據(jù)
TrainData=np.loadtxt（‘ti.txt‘）
TrainLabel=np.loadtxt（‘to.txt‘）
TestData=np.loadtxt（‘ci.txt‘）
TestLabel=np.loadtxt（‘co.txt‘）
#獲得數(shù)據(jù)的shape
[TrainInsNumTrainFeaNum]=TrainData.shape
[Te