'''1 Logistic regression
在这部分的练习中,你将建立一个逻辑回归模型来预测一个学生是否能进入大学。
假设你是一所大学的行政管理人员,你想根据两门考试的结果,来决定每个申请人是否被录取。
你有以前申请人的历史数据,可以将其用作逻辑回归训练集。对于每一个训练样本,你有申请人
两次测评的分数以及录取的结果。为了完成这个预测任务,我们准备构建一个可以基于两次测试
评分来评估录取可能性的分类模型。'''
'''1.1 Visualizing the data
在开始实现任何学习算法之前,如果可能的话,最好将数据可视化。'''
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
data = pd.read_csv('ex2data1.txt', names=['exam1', 'exam2', 'admitted'])
data.head()
positive = data[data.admitted.isin(['1'])] # 1
negetive = data[data.admitted.isin(['0'])] # 0
fig, ax = plt.subplots(figsize=(6,5))
ax.scatter(positive['exam1'], positive['exam2'], c='b', label='Admitted')
ax.scatter(negetive['exam1'], negetive['exam2'], s=50, c='r', marker='x', label='Not Admitted')
# 设置图例显示在图的上方
box = ax.get_position()
ax.set_position([box.x0, box.y0, box.width , box.height* 0.8])
ax.legend(loc='center left', bbox_to_anchor=(0.2, 1.12),ncol=3)
# 设置横纵坐标名
ax.set_xlabel('Exam 1 Score')
ax.set_ylabel('Exam 2 Score')
plt.show()
'''---------------------1.2 Sigmoid function-------------------'''
def sigmoid(z):
return 1 / (1 + np.exp(- z))
x1 = np.arange(-10, 10, 0.1)
plt.plot(x1, sigmoid(x1), c='r')
plt.show()
'''---------------------1.3 Cost function---------------------'''
def cost(theta, X, y):
first = (-y) * np.log(sigmoid(X @ theta))
second = (1 - y)*np.log(1 - sigmoid(X @ theta))
return np.mean(first - second)
#现在,我们要做一些设置,获取我们的训练集数据。
if 'Ones' not in data.columns:
data.insert(0, 'Ones', 1)
# set X (training data) and y (target variable)
X = data.iloc[:, :-1].as_matrix() # Convert the frame to its Numpy-array representation.
y = data.iloc[:, -1].as_matrix() # Return is NOT a Numpy-matrix, rather, a Numpy-array.
theta = np.zeros(X.shape[1])
'''---------------------1.4 Gradient-----------------------'''
def gradient(theta, X, y):
return (X.T @ (sigmoid(X @ theta) - y))/len(X)
print(gradient(theta, X, y))# array([ -0.1, -12.00921659, -11.26284221])
'''---------------------1.5 Learning θ parameters---------------------'''
'''注意,我们实际上没有在这个函数中执行梯度下降,我们仅仅在计算梯度。在练习中,
一个称为“fminunc”的Octave函数是用来优化函数来计算成本和梯度参数。由于我们
使用Python,我们可以用SciPy的“optimize”命名空间来做同样的事情。
这里我们使用的是高级优化算法,运行速度通常远远超过梯度下降。方便快捷。
只需传入cost函数,已经所求的变量theta,和梯度。cost函数定义变量时变量tehta
要放在第一个,若cost函数只返回cost,则设置fprime=gradient。'''
import scipy.optimize a
机器学习——逻辑回归
最新推荐文章于 2022-10-19 11:21:02 发布
本文详细探讨了机器学习中的逻辑回归算法,通过实例分析展示了其工作原理和应用。通过对数据的处理和模型训练,揭示了逻辑回归在分类问题上的强大能力,并附有模型预测结果的图表展示。
摘要由CSDN通过智能技术生成