机器学习Task--02Logistic回归

算法描述及过程

这是一个最优化算法。大概步骤是根据现有数据对边界先建立回归公式，以此进行分类。“回归”一词源于最佳拟合，表示要找到最佳拟合参数集。
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：由于需要进行距离计算，因此要求数据类型为数值型。另外，结构化数据格式则最佳。
(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，并将其转换成对应的结构化数值；
接着，基于训练好的回归系数就可以对这些数据进行简单的回归计算，判定它们属于哪个类别；在这之后，我们就在可以输出的类别上做一些其他分析工作

基于最优化方法的最佳回归系数确定

1.梯度上升法
Logistic回归梯度上升优化算法

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))
def gradAscent(dataMatIn,classLabels):
	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):
		h=sigmoid(dataMatrix*weights)
		error=(labelMat-h)
		weights=weights+alpha*dataMatrix.transpose()*error
	return weights

2.分析数据：画出决策边界
画出数据集和Logistic回归最佳拟合直线的函数

def plotBestFit(wei):
	import matplotlib.pyplot as plt
	weights=wei.getA()
	dataMat,labelMat=loadDataSet()
	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(xcord1,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()

3.随机梯度上升

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

示例：从疝（shan）气病症预测病马的死亡率

(1)收集数据：给定数据文件
(2)准备数据：用Python解析文本文件填充缺失值
(3)分析数据：可视化并观察数据
(4)训练算法：使用优化算法，找到最佳的系数
(5)测试算法：为了量化回归的效果，需要观察错误率。根据错误率决定是否回退到训练阶段，通过改变迭代的次数和步长等参数来获得更好的回归系数
(6)使用算法
算法代码部分：

def classifyVector(inX,weights):
	prob=sigmoid(sum(inX*weights))
	if prob>0.5:return 1.0
	else:return 0.0
def colicTest():
	frTrain=open('horseColicTraining.txt')
	frTest=open('horseColicTest.txt')
	trainingSet=[];trainingLabels=[]
	for line in frTrain.readlines():
		currLine=line.strip().split('/t')
		lineArr=[]
		for i in range(21):
			lineArr.append(float(currLine[i]))
		trainingSet.append(lineArr
		trainingLabels.append(float(currLine[21]))
	trainWeights=stocGradAscent1(array(trainingSet),trainLabelsl,500)
	errorCount=0;numTestVec=0.0
	for line in frTest.readlines():
		numTestVec+=1.0
		currLine=line.strip().aplit('\t')
		lineArr=[]
		for i in range(21):
			lineArr.append(float(currLine[i]))
		if int(classifyVector(array(lineArr),trainWeights))!=int(currLine[21]):
		errorCount+=1
	errorRate=(float(errorCount)/numTestVec)
	print("the error rate of this test is:%f"%errorRate)
	return errorRate
def multiTest():
	numTests=10;errorSum=0.0
	for k in range(numTests):
		errorSum+=colicTest()
	print("after %d iterations the average error rate is:%f"%(numTests,errorSum/float(numTests))