Python逻辑回归

---

逻辑回归也被称为广义线性回归模型，它与线性回归模型的形式基本上相同，最大的区别就在于它们的因变量不同，如果是连续的，就是多重线性回归；如果是二项分布，就是Logistic回归。

二分类问题的概率与自变量之间的关系图形往往是一个S型曲线，如图3-8所示，采用sigmoid函数实现，函数形式为：

对于线性边界的情况，边界形式如下：

最佳参数：

构造预测函数为：

sigmoid的函数输出是介于（0,1）之间的，中间值是0.5，公式hθ（x）的含义就很好理解了，因为hθ（x）输出是介于（0,1）之间，也就表明了数据属于某一类别的概率。例如，hθ（x）<0.5则说明当前数据属于A类；hθ（x）>0.5则说明当前数据属于B类。所以可以将sigmoid函数看成样本数据的概率密度函数。函数h（x）的值有特殊的含义，它表示结果取1的概率，因此对于输入x分类结果为类别1和类别0的概率分别为：

使用概率论中极大似然估计的方法去求解损失函数：

首先得到概率函数为：

因为样本数据（m个）独立，所以它们的联合分布可以表示为各边际分布的乘积，取似然函数为：

取对数似然函数：

最大似然估计就是要求得使l（θ）取最大值时的θ，这里可以使用梯度上升法求解，求得的θ就是要求的最佳参数：

基于最大似然估计推导得到Cost函数和J函数如下：

θ更新过程可以写成：

正则化后的梯度下降算法θ的更新变为：

代码部分：

使用如下所示数据100条

数据加载

class Logistic_regression():

    #初始化

    def __init__(self):

        self.xmat = list();

        self.ymat = list();

    #数据加载处理

    def loadData(self,filename):

        file = open(filename);

        lines = file.readlines();

        #print(lineArry);

        for line in lines:

            lineArry = line.strip().split();#  split 用于移除字符串头尾指定的字符（默认为空格或换行符）或字符序列

            dataline = [1.0];

            for i in range(len(lineArry)):

                dataline.append(float(lineArry[i]));

            #print("dataline",dataline);

            label = dataline.pop();

            self.ymat.append(int(label));#删除最后一个  并返回

            self.xmat.append(dataline);

        self.xmat = np.mat(self.xmat); # mat()函数  转换为矩阵

        self.ymat = np.mat(self.ymat).transpose();

        #print("len",len(self.xmat));

        #print(self.xmat);

sigmoid函数

定义sigmoid函数

    def sigmod(self,X):

        return 1/(1-np.exp(-X));

梯度下降

# 梯度下降计算权重0

    def stocGradAscent0(self,maxCycles=1000,alpha=0.001):

        m,n = np.shape(self.xmat);

        weights = np.ones((n,1));

        for i in range(maxCycles):

            h = self.sigmod(self.xmat*weights);

            error = self.ymat-h;

            #print("error",np.shape(error))

            #print("xmat",np.shape(self.xmat.transpose()))

            weights+=alpha*self.xmat.transpose()*error; #ranspose()转置

        return weights;

画图

最后

Python崛起并且风靡，因为优点多、应用领域广、被大牛们认可。学习 Python 门槛很低，但它的晋级路线很多，通过它你能进入机器学习、数据挖掘、大数据，CS等更加高级的领域。Python可以做网络应用，可以做科学计算，数据分析，可以做网络爬虫，可以做机器学习、自然语言处理、可以写游戏、可以做桌面应用…Python可以做的很多，你需要学好基础，再选择明确的方向。这里给大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

👉Python所有方向的学习路线👈

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

👉Python必备开发工具👈

工欲善其事必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。

👉Python全套学习视频👈

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

👉实战案例👈

学python就与学数学一样，是不能只看书不做题的，直接看步骤和答案会让人误以为自己全都掌握了，但是碰到生题的时候还是会一筹莫展。

因此在学习python的过程中一定要记得多动手写代码，教程只需要看一两遍即可。

👉大厂面试真题👈

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

需要这份系统化学习资料的朋友，可以戳这里无偿获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！