Logistic回归

最新推荐文章于 2022-08-20 10:15:12 发布

QEcode

最新推荐文章于 2022-08-20 10:15:12 发布

阅读量335

点赞数

机器学习专栏收录该内容

6 篇文章 0 订阅

订阅专栏

假设现在有一些数据点，我们用一条直线对这些点进行拟合（该线称为最佳拟合直线），这个拟合过程就称作回归。利用Logistic回归进行分类的主要思想是：根据现有数据对分类边界线建立回归公式，以此进行分类。这里的“回归”一词源于最佳拟合，表示要找到最佳拟合参数集。训练分类器时的做法就是寻找最佳拟合参数，使用的是最优化算法。接下来介绍这个二值型输出分类器的数学原理。

Logistic回归的一般过程：

(1)收集数据：采用任意方法收集数据。

(2)准备数据：由于需要进行距离运算，因此要求数据类型为数值型。另外，结构化数据格式最佳。

(3)分析数据：采用任意方法对数据进行分析。

(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：一旦训练步骤完成，分类将会很快。

(6)使用算法：首先，我们需要输入一些数据，并将其转换为对应的结构化数值；接着，基于训练好的回归系数就可以对这些数值进行简单的回归计算，判定它们属于哪个类别；在这之后，我们就可以在输出的类别上做一些其他分析工作。

基于Logistic回归和Sigmoid函数的分类

我们想要的函数应该是，能接受所有的输入然后预测出类别。例如，在两个类的情况下，上述函数输出0或1。或许你之前接触过具有这种性质的函数，该函数称为海维塞德阶跃函数(Heaviside step function)，或者直接称为单位阶跃函数。然而，海维塞德阶跃函数的问题在于：该函数在跳跃点上从0瞬间跳跃到1，这个瞬间跳跃过程有时很难处理。幸好，另一个函数也有类似的性质，且数学上更易处理，这就是Sigmoid函数。Sigmoid函数的具体计算公式如下：

下面两幅图给出Sigmoid函数在不同尺度下的两条曲线图。当x为0时，Sigmoid函数值为0.5。随着x的增大，对应的Sigmoid值将逼近于1；而随着x的减小，Sigmoid值将逼近于0。如果横坐标刻度足够大，Sigmoid函数看起来很像一个阶跃函数。

因此，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，然后把所有的结果值相加，将这个总和代入Sigmoid函数中，进而得到一个范围在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即被归入0类。所以，Logistic回归也可以看作是一种概率估计。

确定了分类器的函数形式之后，现在的问题就变成了：最佳回归系数是多少？如何确定它们的大小？下面为大家解答。

基于最优化方法的最佳回归系数确定

Sigmoid函数的输入记为z，由下面公式得出：

如果采用向量的写法，上述公式可以写成 z的向量表示，它表示将这两个数值向量对应元素相乘然后全部加起来即得到z值。其中的向量x是分类器的输入数据，向量w也就是我们要找到的最佳参数(系数)，从而使得分类器尽可能精确。为了寻找该最佳参数，需要用到最优化理论的一些知识。

下面首先介绍梯度上升的最优化方法，我们讲学习如何使用该方法求得数据集的最佳参数。接下来，展示如何绘制梯度上升法产生的决策边界图，该图能将梯度上升法的分类效果可视化地呈现出来。再下来将学习随机梯度上升算法，以及如何对其进行修改以获得更好的结果。

1、梯度上升法

梯度上升法基于的思想是：要找到某函数的最大值，最好的方法是沿着该函数的梯度方向探寻。如果梯度记为梯度符号，则函数f(x, y)的梯度由下式表示：

这是机器学习中最易造成混淆的一个地方，但在数学上并不难，需要做的就是牢记这些符号的意义。这个梯度意味着要沿x的方向移动 x-梯度，要沿y的方向移动 y-梯度。其中，函数f(x, y)必须要在待计算的点上有定义并且可微。一个具体的函数例子见下图：

梯度上升算法到达每个点后都会重新估计移动的方向。从p0开始，计算完该点的梯度，函数就根据

梯度移动到下一个点p1。在p1点，梯度再次被重新计算，并沿新的梯度方向移动到p2。如此循环迭

代，直到满足停止条件。迭代的过程中，梯度算子总是保证我们能够选取到最佳的移动方向。

上图中的梯度上升算法沿梯度方向移动一步。可以看到，梯度算子总是指向函数值增长最快的方向。这里所说的是移动方向，而未提到移动量的大小。该量值称为步长，记作阿尔法。用向量来表示的话，梯度算法的迭代公式如下：

该公式将一直被迭代执行，直至达到某个停止条件为止，比如迭代次数达到某个指定值或算法达到某个可以允许的误差范围。

基于上面的内容，我们来看一个Logistic回归分类器的应用例子，从下图可以看到我们采用的数据集。

一个简单的数据集，下面将采用梯度上升法找到Logistic回归分类器在此数据集上的最佳回归系数

2、训练算法：使用梯度上升找到最佳参数

上图中有100个样本点，每个点包含两个数值型特征：X1和X2。在此数据集上，我们将通过使用梯度上升找到最佳回归系数，也就是拟合出Logistic回归模型的最佳参数，梯度上升法的伪代码如下：

每个回归系数初始化为1

重复R次：

计算整个数据集的梯度

使用alpha x gradient更新回归系数的向量

返回回归系数

def loadDataSet():  
    dataMat = []  
    labelMat = []  
    fr = open('testSet.txt')  
    for line in fr.readlines():  
        lineArr = line.strip().split()  
        dataMat.append([1.0, float(lineArr[0]), float(lineArr[1])])  
        labelMat.append(int(lineArr[2]))  
    return dataMat, labelMat  

def sigmoid(inX):  
    return 1.0/(1+exp(-inX))  

# logistic regression gradient ascent optimization function  
def gradAscent(dataMatIn, classLabels):  
    # convert to numpy matrix data type  
    dataMatrix = mat(dataMatIn)  
    labelMat = mat(classLabels).transpose()  
    m, n = shape(dataMatrix)  
    alpha = 0.001  
    maxCycles = 500  
    weights = ones((n, 1))  
    for k in range(maxCycles):  
        # matrix multiplication  
        h = sigmoid(dataMatrix * weights)  
        error = (labelMat - h)  
        weights = weights + alpha * dataMatrix.transpose() * error  
    return weights

代码中最难点在于倒数的那一个循环，可以参考http://blog.csdn.net/oldbai001/article/details/49872433

3、训练算法：随机梯度上升

梯度上升算法在每次更新回归系数时都需要遍历整个数据集，该方法在处理100个左右的数据集时尚可，但如果有数十亿样本和成千上万的特征，那么该方法的计算复杂度就太高了。一种改进方法是一次仅用一个样本点来更新回归系数，该方法称为随机梯度上升算法。由于可以在新样本到来时对分类器进行增量式更新，因而随机梯度上升算法是一个在线学习算法。与“在线学习算法”相对应，一次处理所有数据被称作“批处理”。

# stochastic gradient ascent  
def stocGradAscent0(dataMatrix, classLabels):  
    m, n = shape(dataMatrix)  
    alpha = 0.01  
    weights = ones(n)  
    for i in range(m):  
        h = sigmoid(sum(dataMatrix[i]*weights))  
        error = classLabels[i] - h  
        weights = weights + alpha * error * dataMatrix[i]  
    return weights