Python机器学习(四):logistic回归
2017-09-28 10:54
876 查看
logistic回归
logistic回归虽名为回归但其实做的是分类问题,是一个典型的线性分类器。如上图中所示:将一组数据特征X输入分类器,它会输出一个预测值y帽(也可以表示为a)。
logistic回归的模型参数为W和b,其中W为一(n,1)矩阵,n为数据特征的维数,也就是X的维数,图中n=3。
由于WTX+b 是一个处于正负无穷间的实数,由于是二分类问题,所以我们的输出(输出定义为预测为1类别的概率)的其实是一个概率要在[0,1]内。所以要引入sigmoid函数,将正负无穷之间的输出转换到[0,1]内。
损失函数L(a,y)用来衡量模型在单个样本上的表现((i)表示第i个样本)。
L(a(i),y(i))=−[y(i)loga(i)+(1−y(i))log(1−a(i))]
成本函数J(W,b)用来衡量模型在全体训练集上的表现(m为训练集样本个数):
J(W,b)=1m∑i=1mL(a(i),y(i))=−1m∑i=1m[y(i)loga(i)+(1−y(i))log(1−a(i))]
logistic回归中的梯度下降法
在反向传播中:dLda=1−y1−a−ya
dLdz=dLdadadz=(1−y1−a−ya)(a(1−a))=a−y
当有m个训练样本时设:
da=dLda(i)
dz=(a(i)−y(i))
dw=dJdW=1mXdZT
dZ为dz的矩阵表示(大写字母表示矩阵),上述dZ和X矩阵相乘是自带求和功能
dZ=A−Y
db=dJdb=1m∑i=1mdz
最终用dw和db配合学习率 α来更新模型参数W和b:
W−=αdw
b−=αdb
代码实现
# -*- coding: utf-8 -*- """ Created on Wed Sep 27 20:12:48 2017 @author: YangYuan """ import numpy as np def sigmoid(inX): return 1.0/(1+np.exp(-inX)) def plotBestFit(data,label,weight): import matplotlib.pyplot as plt x1 = [] y1 = [] x0 = [] y0 = [] for index,i in enumerate(label[0]): if i == 1: x1.append(data[1,index]) y1.append(data[2,index]) else: x0.append(data[1,index]) y0.append(data[2,index]) fig = plt.figure() ax = fig.add_subplot(111) ax.scatter(x0,y0,s=30,c='red',marker='s') ax.scatter(x1,y1,s=30,c='green') x = np.arange(-4.0,4.0,0.1) y = -(x*weight[1][0]+weight[0][0])/weight[2][0] ax.plot(x,y) plt.xlabel('X1') plt.ylabel('X2') plt.show() def main(): data_raw = np.loadtxt('testSet.txt') #分离数据与标签,并将标签转换为整形 data = data_raw[:,:2].T label = data_raw[:,2:3].T.astype(int) m,n = np.shape(data) #m,n = data.shape temp = np.ones((1,n)) data = np.insert(data,0,values=temp,axis=0) m,n = np.shape(data) w = np.random.randn(m,1)*0.01 plotBestFit(data,label,w) for i in range(1000): dz = sigmoid(np.dot(w.T,data))-label dw = np.dot(data,dz.T)/n alpha = 0.1 w -= alpha*dw plotBestFit(data,label,w) if __name__ == '__main__': main()
testSet.txt中的内容
-0.017612 14.053064 0 -1.395634 4.662541 1 -0.752157 6.538620 0 -1.322371 7.152853 0 0.423363 11.054677 0 0.406704 7.067335 1 0.667394 12.741452 0 -2.460150 6.866805 1 0.569411 9.548755 0 -0.026632 10.427743 0 0.850433 6.920334 1 1.347183 13.175500 0 1.176813 3.167020 1 -1.781871 9.097953 0 -0.566606 5.749003 1 0.931635 1.589505 1 -0.024205 6.151823 1 -0.036453 2.690988 1 -0.196949 0.444165 1 1.014459 5.754399 1 1.985298 3.230619 1 -1.693453 -0.557540 1 -0.576525 11.778922 0 -0.346811 -1.678730 1 -2.124484 2.672471 1 1.217916 9.597015 0 -0.733928 9.098687 0 -3.642001 -1.618087 1 0.315985 3.523953 1 1.416614 9.619232 0 -0.386323 3.989286 1 0.556921 8.294984 1 1.224863 11.587360 0 -1.347803 -2.406051 1 1.196604 4.951851 1 0.275221 9.543647 0 0.470575 9.332488 0 -1.889567 9.542662 0 -1.527893 12.150579 0 -1.185247 11.309318 0 -0.445678 3.297303 1 1.042222 6.105155 1 -0.618787 10.320986 0 1.152083 0.548467 1 0.828534 2.676045 1 -1.237728 10.549033 0 -0.683565 -2.166125 1 0.229456 5.921938 1 -0.959885 11.555336 0 0.492911 10.993324 0 0.184992 8.721488 0 -0.355715 10.325976 0 -0.397822 8.058397 0 0.824839 13.730343 0 1.507278 5.027866 1 0.099671 6.835839 1 -0.344008 10.717485 0 1.785928 7.718645 1 -0.918801 11.560217 0 -0.364009 4.747300 1 -0.841722 4.119083 1 0.490426 1.960539 1 -0.007194 9.075792 0 0.356107 12.447863 0 0.342578 12.281162 0 -0.810823 -1.466018 1 2.530777 6.476801 1 1.296683 11.607559 0 0.475487 12.040035 0 -0.783277 11.009725 0 0.074798 11.023650 0 -1.337472 0.468339 1 -0.102781 13.763651 0 -0.147324 2.874846 1 0.518389 9.887035 0 1.015399 7.571882 0 -1.658086 -0.027255 1 1.319944 2.171228 1 2.056216 5.019981 1 -0.851633 4.375691 1 -1.510047 6.061992 0 -1.076637 -3.181888 1 1.821096 10.283990 0 3.010150 8.401766 1 -1.099458 1.688274 1 -0.834872 -1.733869 1 -0.846637 3.849075 1 1.400102 12.628781 0 1.752842 5.468166 1 0.078557 0.059736 1 0.089392 -0.715300 1 1.825662 12.693808 0 0.197445 9.744638 0 0.126117 0.922311 1 -0.679797 1.220530 1 0.677983 2.556666 1 0.761349 10.693862 0 -2.168791 0.143632 1 1.388610 9.341997 0 0.317029 14.739025 0
相关文章推荐
- Python机器学习(二):Logistic回归建模分类实例——信用卡欺诈监测(上)
- 机器学习之Logistic回归与Python实现
- 机器学习---Logistic回归数学推导以及python实现
- Python机器学习(三):Logistic回归建模分类实例——信用卡欺诈监测(下)
- Python机器学习之Logistic回归
- [置顶] 【算法 机器学习】MATLAB、R、python三种编程语言实现简单线性回归算法比较
- 机器学习:逻辑回归与Python代码实现
- python机器学习案例系列教程——逻辑分类/逻辑回归LR/一般线性回归(softmax回归)
- 机器学习之线性回归python实现
- 【机器学习实战-python3】树回归
- 机器学习logistic回归学习总结
- python机器学习理论与实战(四)逻辑回归
- 天池盐城上牌数之基于logistic的回归预测python代码
- 机器学习(一):线性回归_python
- 机器学习实战Logistic回归笔记
- 机器学习4logistic回归
- logistic回归__基于Python和Numpy函数库
- Logistic回归 python实现
- python机器学习3-7使用岭回归进行岩石-水雷分类
- 机器学习之详解Logistic回归