Matlab实现线性回归和逻辑回归: Linear Regression & Logistic Regression

本文为Maching Learning 栏目补充内容，为上几章中所提到单参数线性回归、多参数线性回归和 逻辑回归的总结版。旨在帮助大家更好地理解回归，所以我在Matlab中分别对他们予以实现，在本文中由易到难地逐个介绍。

本讲内容：

Matlab 实现各种回归函数

=========================

基本模型

Y=θ₀+θ₁X₁型---线性回归（直线拟合）

解决过拟合问题---Regularization

Y=1/(1+e^X)型---逻辑回归（sigmod 函数拟合）

=========================

第一部分：基本模型

在解决拟合问题的解决之前，我们首先回忆一下线性回归和逻辑回归的基本模型。

设待拟合参数 θ_n*1 和输入参数[ x_m*n, y_m*1 ] 。

对于各类拟合我们都要根据梯度下降的算法，给出两部分：

①   cost function（指出真实值y与拟合值h<hypothesis>之间的距离）：给出cost function 的表达式，每次迭代保证cost function的量减小；给出梯度gradient，即cost function对每一个参数θ的求导结果。

function [ jVal,gradient ] = costFunction ( theta )

 

②   Gradient_descent（主函数）：用来运行梯度下降算法，调用上面的cost function进行不断迭代，直到最大迭代次数达到给定标准或者cost function返回值不再减小。

function [optTheta,functionVal,exitFlag]=Gradient_descent( )

 

线性回归：拟合方程为h_θ(x)=θ₀x₀+θ₁x₁+…+θ_nx_n，当然也可以有x_n的幂次方作为线性回归项（如），这与普通意义上的线性不同，而是类似多项式的概念。

其cost function 为：

 

逻辑回归：拟合方程为h_θ(x)=1/(1+e^(θ^Tx))，其cost function 为：

 

cost function对各θj的求导请自行求取，看第三章最后一图，或者参见后文代码。

_{后面，我们分别对几个模型方程进行拟合，给出代码，并用matlab中的fit函数进行验证。}

第二部分：Y=θ₀+θ₁X₁型---线性回归（直线拟合）

在Matlab 线性拟合 & 非线性拟合中我们已经讲过如何用matlab自带函数fit进行直线和曲线的拟合，非常实用。而这里我们是进行ML课程的学习，因此研究如何利用前面讲到的梯度下降法（gradient descent）进行拟合。

cost function：

[cpp]  view plain  copy

1. function [ jVal,gradient ] = costFunction2( theta )  
2. %COSTFUNCTION2 Summary of this function goes here  
3. %   linear regression -> y=theta0 + theta1*x  
4. %   parameter: x:m*n  theta:n*1   y:m*1   (m=4,n=1)  
5. %     
6.   
7. %Data  
8. x=[1;2;3;4];  
9. y=[1.1;2.2;2.7;3.8];  
10. m=size(x,1);  
11.   
12. hypothesis = h_func(x,theta);  
13. delta = hypothesis - y;  
14. jVal=sum(delta.^2);  
15.   
16. gradient(1)=sum(delta)/m;  
17. gradient(2)=sum(delta.*x)/m;  
18.   
19. end  

其中，h_func是hypothesis的结果：

[cpp]  view plain  copy

1. function [res] = h_func(inputx,theta)  
2. %H_FUNC Summary of this function goes here  
3. %   Detailed explanation goes here  
4.   
5.   
6. %cost function 2  
7. res= theta(1)+theta(2)*inputx;function [res] = h_func(inputx,theta)  
8. end  

Gradient_descent：

[cpp]  view plain  copy

1. function [optTheta,functionVal,exitFlag]=Gradient_descent( )  
2. %GRADIENT_DESCENT Summary of this function goes here  
3. %   Detailed explanation goes here  
4.   
5.   options = optimset('GradObj','on','MaxIter',100);  
6.   initialTheta = zeros(2,1);  
7.   [optTheta,functionVal,exitFlag] = fminunc(@costFunction2,initialTheta,options);  
8.   
9. end  

result：

[cpp]  view plain  copy

1. >> [optTheta,functionVal,exitFlag] = Gradient_descent()  
2.   
3. Local minimum found.  
4.   
5. Optimization completed because the size of the gradient is less than  
6. the default value of the function tolerance.  
7.   
8. <stopping criteria details>  
9.   
10.   
11. optTheta =  
12.   
13.     0.3000  
14.     0.8600  
15.   
16.   
17. functionVal =  
18.   
19.     0.0720  
20.   
21.   
22. exitFlag =  
23.   
24.      1  

即得y=0.3+0.86x;

验证：

[cpp]  view plain  copy

1. function [ parameter ] = checkcostfunc(  )  
2. %CHECKC2 Summary of this function goes here  
3. %   check if the cost function works well  
4. %   check with the matlab fit function as standard  
5.   
6. %check cost function 2  
7. x=[1;2;3;4];  
8. y=[1.1;2.2;2.7;3.8];  
9.   
10. EXPR= {'x','1'};  
11. p=fittype(EXPR);  
12. parameter=fit(x,y,p);  
13.   
14. end  

运行结果：

[cpp]  view plain  copy

1. >> checkcostfunc()  
2.   
3. ans =   
4.   
5.      Linear model:  
6.      ans(x) = a*x + b  
7.      Coefficients (with 95% confidence bounds):  
8.        a =        0.86  (0.4949, 1.225)  
9.        b =         0.3  (-0.6998, 1.3)  

和我们的结果一样。下面画图：

[cpp]  view plain  copy

1. function PlotFunc( xstart,xend )  
2. %PLOTFUNC Summary of this function goes here  
3. %   draw original data and the fitted   
4.   
5.   
6.   
7. %===================cost function 2====linear regression  
8. %original data  
9. x1=[1;2;3;4];  
10. y1=[1.1;2.2;2.7;3.8];  
11. %plot(x1,y1,'ro-','MarkerSize',10);  
12. plot(x1,y1,'rx','MarkerSize',10);  
13. hold on;  
14.   
15. %fitted line - 拟合曲线  
16. x_co=xstart:0.1:xend;  
17. y_co=0.3+0.86*x_co;  
18. %plot(x_co,y_co,'g');  
19. plot(x_co,y_co);  
20.   
21. hold off;  
22. end  

第三部分： 解决过拟合问题---Regularization

过拟合问题解决方法我们已在第三章中讲过，利用Regularization的方法就是在cost function中加入关于 θ的项，使得部分θ的值偏小，从而达到fit效果。

例如定义 costfunction J(θ)： jVal=(theta(1)-5)^2+(theta(2)-5)^2;

在每次迭代中，按照gradient descent的方法更新参数θ：θ(i)-=gradient(i),其中gradient(i)是J(θ)对θi求导的函数式，在此例中就有gradient(1)=2*(theta(1)-5), gradient(2)=2*(theta(2)-5)。

函数costFunction, 定义jVal=J(θ)和对两个θ的gradient：

[cpp]  view plain  copy

1. function [ jVal,gradient ] = costFunction( theta )  
2. %COSTFUNCTION Summary of this function goes here  
3. %   Detailed explanation goes here  
4.   
5. jVal= (theta(1)-5)^2+(theta(2)-5)^2;  
6.   
7. gradient = zeros(2,1);  
8. %code to compute derivative to theta  
9. gradient(1) = 2 * (theta(1)-5);  
10. gradient(2) = 2 * (theta(2)-5);  
11.   
12. end  

Gradient_descent，进行参数优化

[cpp]  view plain  copy

1. function [optTheta,functionVal,exitFlag]=Gradient_descent( )  
2. %GRADIENT_DESCENT Summary of this function goes here  
3. %   Detailed explanation goes here  
4.   
5.  options = optimset('GradObj','on','MaxIter',100);  
6.  initialTheta = zeros(2,1)  
7.  [optTheta,functionVal,exitFlag] = fminunc(@costFunction,initialTheta,options);  
8.     
9. end  

matlab主窗口中调用，得到优化厚的参数(θ1,θ2)=(5,5)

[cpp]  view plain  copy

1.  [optTheta,functionVal,exitFlag] = Gradient_descent()  
2.   
3. initialTheta =  
4.   
5.      0  
6.      0  
7.   
8.   
9. Local minimum found.  
10.   
11. Optimization completed because the size of the gradient is less than  
12. the default value of the function tolerance.  
13.   
14. <stopping criteria details>  
15.   
16.   
17. optTheta =  
18.   
19.      5  
20.      5  
21.   
22.   
23. functionVal =  
24.   
25.      0  
26.   
27.   
28. exitFlag =  
29.   
30.      1  

第四部分：Y=1/(1+e^X)型---逻辑回归（sigmod 函数拟合）

hypothesis function:

[cpp]  view plain  copy

1. function [res] = h_func(inputx,theta)  
2.   
3. %cost function 3  
4. tmp=theta(1)+theta(2)*inputx;%m*1  
5. res=1./(1+exp(-tmp));%m*1  
6.   
7. end  

cost function:

[cpp]  view plain  copy

1. function [ jVal,gradient ] = costFunction3( theta )  
2. %COSTFUNCTION3 Summary of this function goes here  
3. %   Logistic Regression  
4.   
5. x=[-3;      -2;     -1;     0;      1;      2;     3];  
6. y=[0.01;    0.05;   0.3;    0.45;   0.8;    1.1;    0.99];  
7. m=size(x,1);  
8.   
9. %hypothesis  data  
10. hypothesis = h_func(x,theta);  
11.   
12. %jVal-cost function  &  gradient updating  
13. jVal=-sum(log(hypothesis+0.01).*y + (1-y).*log(1-hypothesis+0.01))/m;  
14. gradient(1)=sum(hypothesis-y)/m;   %reflect to theta1  
15. gradient(2)=sum((hypothesis-y).*x)/m;    %reflect to theta 2  
16.   
17. end  

Gradient_descent:

[cpp]  view plain  copy

1. function [optTheta,functionVal,exitFlag]=Gradient_descent( )  
2.   
3.  options = optimset('GradObj','on','MaxIter',100);  
4.  initialTheta = [0;0];  
5.  [optTheta,functionVal,exitFlag] = fminunc(@costFunction3,initialTheta,options);  
6.   
7. end  

运行结果：

[cpp]  view plain  copy

1.  [optTheta,functionVal,exitFlag] = Gradient_descent()  
2.   
3. Local minimum found.  
4.   
5. Optimization completed because the size of the gradient is less than  
6. the default value of the function tolerance.  
7.   
8. <stopping criteria details>  
9.   
10.   
11. optTheta =  
12.   
13.     0.3526  
14.     1.7573  
15.   
16.   
17. functionVal =  
18.   
19.     0.2498  
20.   
21.   
22. exitFlag =  
23.   
24.      1  

画图验证：

[cpp]  view plain  copy

1. function PlotFunc( xstart,xend )  
2. %PLOTFUNC Summary of this function goes here  
3. %   draw original data and the fitted   
4.   
5. %===================cost function 3=====logistic regression  
6.   
7. %original data  
8. x=[-3;      -2;     -1;     0;      1;      2;     3];  
9. y=[0.01;    0.05;   0.3;    0.45;   0.8;    1.1;    0.99];  
10. plot(x,y,'rx','MarkerSize',10);  
11. hold on  
12.   
13. %fitted line  
14. x_co=xstart:0.1:xend;  
15. theta = [0.3526,1.7573];  
16. y_co=h_func(x_co,theta);  
17. plot(x_co,y_co);  
18. hold off  
19.   
20. end  

有朋友问，这里就补充一下logistic regression中gradient的推导：

令

则有

由于cost function

可得

所以gradient = -J'(theta) = (z-y)x

关于Machine Learning更多的学习资料将继续更新，敬请关注本博客和新浪微博Sophia_qing。

==============================

Reference:

1. http://blog.csdn.net/abcjennifer/article/details/7691571

2.http://blog.csdn.net/abcjennifer/article/details/7700772

3.http://blog.csdn.net/abcjennifer/article/details/7716281

4.http://blog.csdn.net/abcjennifer/article/details/7684836

from: http://blog.csdn.net/abcjennifer/article/details/7732417