菜鸟的逻辑回归的初步学习笔记(PS:该博客中的图基本都是网上找的,而见解大部分是个人写的,后面有一部分代码是copy加改动的作了备注)
一、总述
逻辑回归是应用非常广泛的一个分类机器学习算法,它将数据拟合到一个logit函数(或者叫做logistic函数)中,从而能够完成对事件发生的概率进行预测。
二、逻辑回归发展
要说逻辑回归,我们得追溯到线性回归,大家对线性回归都有一定的了解,之前也写过关于线性回归的学习博客,即对于多维空间中存在的样本点,我们用特征的线性组合去拟合空间中点的分布和轨迹。如下图所示(网图):
线性回归能对连续值结果进行预测,而现实生活中常见的另外一类问题是,分类问题。何为分类问题,顾名思义,就是通过分类来判断结果。For example:通过判断人体内的白细胞数量自动来判断人是否患有白血病,手机的骚扰电话和骚扰信息判断拦截。该类问题都是只需要给出判断结果是与否,我们需要给定一个中间值来作为判断条件,如白细胞数量正常范围内的最大值,以及该电话及信息被拉黑或被屏蔽过的次数,当大于这个值的时候,即判断为是,小于时则为否。
例如:下图中X为数据点肿瘤的大小,Y为观测结果是否是恶性肿瘤。通过构建线性回归模型,如hθ(x)所示,构建线性回归模型后,我们设定一个阈值0.5,预测hθ(x)≥0.5的这些点为恶性肿瘤,而hθ(x)<0.5为良性肿瘤。
但很多实际的情况下,我们需要学习的分类数据并没有这么精准,比如说上述例子中突然有一个不按套路出牌的数据点出现,如下图所示:
这个时候,你再设定0.5,这个判定阈值就失效了,而现实生活的分类问题的数据,会比例子中这个更为复杂,而这个时候我们借助于线性回归+阈值的方式,已经很难完成了。 在这样的场景下,逻辑回归就诞生了。它的核心思想是,如果线性回归的结果输出是一个连续值,而值的范围是无法限定的,那我们有没有办法把这个结果值映射为可以帮助我们判断的结果呢。而如果输出结果是 (0,1) 的一个概率值,这个问题就很清楚了。有这样一个简单的函数了,就是很神奇的sigmoid函数(如下):
如果把sigmoid函数图像画出来,是如下的样子:
Sigmoid Logistic Function
从函数图上可以看出,函数y=g(z)在z=0的时候取值为1/2,而随着z逐渐变小,函数值趋于0,z逐渐变大的同时函数值逐渐趋于1,而这正是一个概率的范围。 所以我们定义线性回归的预测函数为Y=WTX,那么逻辑回归的输出Y= g(WTX),其中y=g(z)函数正是上述sigmoid函数(或者简单叫做S形函数)。
三、实例
当遇到这种非线性、不规则边界时,而线性回归就变得无能为力了
而这些不规则的边界又可以被称为决策边界。
代码及实现
from numpy import loadtxt, where
from pylab import scatter, show, legend, xlabel, ylabel
#load the dataset
data = loadtxt('/home/阳旭/data/data1.txt', delimiter=',')
X = data[:, 0:2]
y = data[:, 2]
pos = where(y == 1)
neg = where(y == 0)
scatter(X[pos, 0], X[pos, 1], marker='o', c='b')
scatter(X[neg, 0], X[neg, 1], marker='x', c='r')
xlabel('Feature1/Exam 1 score')
ylabel('Feature2/Exam 2 score')
legend(['Fail', 'Pass'])
show()
得出下图:
由于本人不会写含有梯度下降的sigmoid函数、代价函数、便从网上借鉴(copy)加改动了
的能实现该作用的代码
def sigmoid(X):
'''Compute sigmoid function '''
den =1.0+ e **(-1.0* X)
gz =1.0/ den
return gz
def compute_cost(theta,X,y):
'''computes cost given predicted and actual values'''
m = X.shape[0]#number of training examples
theta = reshape(theta,(len(theta),1))
J =(1./m)*(-transpose(y).dot(log(sigmoid(X.dot(theta))))- transpose(1-y).dot(log(1-sigmoid(X.dot(theta)))))
grad = transpose((1./m)*transpose(sigmoid(X.dot(theta))- y).dot(X))
#optimize.fmin expects a single value, so cannot return grad
return J[0][0]#,grad
def compute_grad(theta, X, y):
'''compute gradient'''
theta.shape =(1,3)
grad = zeros(3)
h = sigmoid(X.dot(theta.T))
delta = h - y
l = grad.size
for i in range(l):
sumdelta = delta.T.dot(X[:, i])
grad[i]=(1.0/ m)* sumdelta *-1
theta.shape =(3,)
return grad
便能得出下图:
四、总的来说,逻辑回归是建立在线性回归之上的,它始于输出结果为有实际意义的连续值的线性回归,但是线性回归对于分类的问题没有办法准确而又具备鲁棒性(Robust)地分割,因此我们设计出了逻辑回归这样一个算法,它的输出结果表征了某个样本属于某类别的概率。