(1)收集数据:任意方法
(2)准备数据:由于需要计算距离,因此要求数据类型为数值型,结构化数据格式则最佳
(3)分析数据:任意方法
(4)训练算法:大部分时间将用于训练,训练的目的是为了找到最佳的分类回归系数
(5)测试算法:一旦训练完成,分类将会很快
Logistic回归
- 优点:计算代价不高,易于理解和实现
- 缺点:容易欠拟合,分类精度可能不高
- 适用数据类型:数值型和标称型
对于回归函数的选择,我们想要的是能接受所有的输入然后预测出类型。在两个类别的情况下,上述函数输出0或1,即单位阶跃函数,这里我们使用Sigmoid函数,如果横坐标足够大,Sigmoid函数看起来很像一个阶跃函数,公式如下:
为了实现Logistic回归分类器,我们可以在每个特征上都乘以一个回归系数,然后把所有结果值相加,把这个总和代入Sigmoid函数中进而得到一个0-1之间的数值。任何大于0.5的数据被分入1类,小于0.5的被分入0类。
1、梯度上升优化算法
from numpy import *
# 加载数据
def loadData():
dataMat = []
labelMat = []
fr = open("testSet.txt")
for line in fr.readlines():
lineArr = line.strip().split()
# 为方便计算, X0设置为1
dataMat.append([1.0, float(lineArr[0]), float(lineArr[1])])
# 文件中的第三列为类别
labelMat.append(int(lineArr[2]))
return dataMat, labelMat
# sigmoid
def sigmoid(inX):
return 1.0 / (1 + exp(-inX))
# 梯度上升优化算法
def gradAscent(dataMatIn, classLabels):
dataMatrix = mat(dataMatIn)
# transpose()矩阵转置
labelMat = mat(classLabels).transpose()
m, n = shape(dataMatrix)
alpha = 0.001
maxCycles = 500
weights = ones((n, 1))
# 重复maxCycles次
for k in range(maxCycles):
# 计算整个数据集的梯度,h和error是都是向量
h = sigmoid(dataMatrix * weights)
error = (labelMat - h)
# 更新回归系数向量
weights = weights + alpha * dataMatrix.transpose() * error
return weights
可视化方法
# 画出数据集和Logistic回归最佳拟合直线的函数
def plotBestFit(weights):
import matplotlib.pyplot as plt
dataMat, labelMat = loadData()
dataArr = array(dataMat)
n = shape(dataArr)[0]
xcord1 = []
ycord1 = []
xcord2 = []
ycord2 = []
for i in range(n):
if int(labelMat[i]) == 1:
xcord1.append(dataArr[i, 1])
ycord1.append(dataArr[i, 2])
else:
xcord2.append(dataArr[i, 1])
ycord2.append(dataArr[i, 2])
fig = plt.figure()
ax = fig.add_subplot(111)
ax.scatter(xcord1, ycord1, s=30, c='red', marker='s')
ax.scatter(xcord2, ycord2, s=30, c='green')
x = arange(-3.0, 3.0, 0.1)
y = (-weights[0] - weights[1] * x) / weights[2]
ax.plot(x, y)
plt.xlabel('X1')
plt.ylabel('X2')
plt.show()
2、随机梯度上升
# 随机梯度上升算法,每次只用数据集中的一个样本点来更新系数,顺序遍历整个数据集
def stocGradAscent0(dataMatrix, classLabels):
# 强制类型转换,避免array和list混用
dataMatrix = array(dataMatrix)
m, n = shape(dataMatrix)
alpha = 0.01
weights = ones(n)
for i in range(m):
# h和error是数值
h = sigmoid(sum(dataMatrix[i] * weights))
error = classLabels[i] - h
weights = weights + alpha * error * dataMatrix[i]
return weights
3、改进的随机梯度上升
# 改进的随机梯度上升算法, 多加一个迭代次数控制函数
# 在每次迭代中随机地用单个样本点更新数据集,每次迭代,遍历整个数据集
def stocGradAscent1(dataMatrix, classLabels, numIter=150):
# 强制类型转换,避免array和list混用
dataMatrix = array(dataMatrix)
m, n = shape(dataMatrix)
alpha = 0.01
weights = ones(n)
for j in range(numIter):
dataIndex = list(range(m))
for i in range(m):
alpha = 4 / (1.0 + j + i) + 0.01
randIndex = int(random.uniform(0, len(dataIndex)))
h = sigmoid(sum(dataMatrix[randIndex] * weights))
error = classLabels[randIndex] - h
weights = weights + alpha * error * dataMatrix[randIndex]
del dataIndex[randIndex]
return weights