Logistic 回归,算法思想是使用 sigmoid( W * X ) 来预测结果,将特征置以不同权制相加,再加上一个偏置量,得到的值经过 sigmoid 函数的处理,进行预测。
其中 W 向量是我们要根据训练集数据得到的,这里用的方法为梯度下降法,以及为了减少运算量而采用的随机梯度下降法。
算法特别的细节是对学习率和迭代次数这两个参数的选取,需要深入理解算法原理以及算法迭代过程中的现象,尽可能用更少的迭代次数得到稳定的预测结果。
当数据特征为 2 个时,可以直观地观察散点图和分割线理解算法的预测效果,在此基础上建立对 Logistic 回归的直观理解,从而拓展到更高维度的数据处理。
梯度下降算法
from numpy import *
#加载文本数据,每个数据特征向量 x = [1,x1,x2]
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
#定义 sigmoid 函数
def sigmoid(intX):
return 1.0 / (1 + exp(-intX))
#梯度下降算法
def gradAscent(dataMatIn, classLabels):
#转化为 Numpy 矩阵类型
dataMatrix = mat(dataMatIn)
labelMat = mat(classLabels).T
m,n = shape(dataMatrix)
#设置参数:步长
alpha = 0.001
#设置参数:迭代次数
maxCycles = 500
#初始化 W 为全 1
weights = ones((n,1))
#训练 W
for k in range(maxCycles):
h = sigmoid(dataMatrix * weights)
error = labelMat - h
weights += alpha * dataMatrix.T * error
return weights
执行:
dataArr,labelMat = loadDataSet()
weight = gradAscent(dataArr,labelMat)
print(weight)
得到结果:
[[ 4.12414349]
[ 0.48007329]
[-0.6168482 ]]
绘图为:
这里可以稍作更改,增加一个 x1 * x2 的特征量,这样就可以得到一个曲线图:
#加载文本数据,每个数据特征向量 x = [1,x1,x2,x1*x2]
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]), float(lineArr[0]) * float(lineArr[1])])
labelMat.append(int(lineArr[2]))
return dataMat, labelMat
得到结果为:
[[ 4.11276384]
[ 0.30313152]
[-0.6193877 ]
[ 0.0273798 ]]
绘图为:
随机梯度下降算法
#随机梯度下降算法
def stocGradAscent0(dataMatrix, classLabels):
m,n = shape(dataMatrix)
alpha = 0.01
weights = ones(n)
#每次仅用一个样本点来修正参数
for i in range(m):
h = sigmoid(sum(dataMatrix[i] * weights))
error = classLabels[i] - h
weights += alpha * error * dataMatrix[i]
return weights
效果:
dataArr,labelMat = loadDataSet()
weight = stocGradAscent0(array(dataArr),labelMat)
print(weight)
[ 0.81854256 0.73314303 -0.1702128 ]
绘图为:
这里误差是比较大的,但是这里每个样本只使用了一次,我们尝试修改算法,让遍历次数变多:
#随机梯度下降算法
def stocGradAscent0(dataMatrix, classLabels):
m,n = shape(dataMatrix)
alpha = 0.01
weights = ones(n)
#每次仅用一个样本点来修正参数
for j in range(200):
for i in range(m):
h = sigmoid(sum(dataMatrix[i] * weights))
error = classLabels[i] - h
weights += alpha * error * dataMatrix[i]
return weights
得到的结果绘图为:
这样效果就接近前面的算法了,可以进一步讨论这个算法的收敛性,这里就不展开了。
基于随机梯度下降算法做一些改进用于克服波动:
- 学习率随迭代次数不断减小
- 将样本选取的次序随机化
#改进的随机梯度下降算法
def stocGradAscent1(dataMatrix, classLabels):
m, n = shape(dataMatrix)
weights = ones(n)
#设置迭代次数
numIter = 150
for j in range(numIter):
#每次迭代以随机顺序读取全部样本对分割线进行修正
#维护一个 dataIndex 数组用于随机选择样本,并删除已用过的样本
dataIndex = list(range(m))
for i in range(m):
alpha = 4 / (1.0 + i + j) + 0.01
randIndex = int(random.uniform(0, len(dataIndex)))
h = sigmoid(sum(dataMatrix[randIndex] * weights))
error = classLabels[randIndex] - h
weights += alpha * error * dataMatrix[randIndex]
del(dataIndex[randIndex])
return weights
得到的结果绘图为:
效果近似。
这里附上用于打印散点图的函数:
def plotBestFit(weights):
import matplotlib.pyplot as plt
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(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()
预测病马的死亡率
使用的是改进的随机梯度下降算法,这部分程序就是数据处理和传送,以及对处理结果对统计:
#根据训练得到的 weight 对训练集数据分类
def classifyVector(inX, weights):
prob = sigmoid(sum(inX * weights))
if prob > 0.5:
return 1.0
else:
return 0.0
#训练与测试函数
def colicTest():
#读取训练集和测试集数据
frTrain = open('horseColicTraining.txt')
frTest = open('horseColicTest.txt')
trainingSet = []
trainingLabel = []
for line in frTrain.readlines():
currLine = line.strip().split('\t')
lineArr = []
for i in range(21):
lineArr.append(float(currLine[i]))
trainingSet.append(lineArr)
trainingLabel.append(float(currLine[21]))
#训练 weight
trainWeights = stocGradAscent1(array(trainingSet), trainingLabel)
#测试并统计错误率
errorCount = 0
numTestVec = 0.0
for line in frTest.readlines():
numTestVec += 1.0
currLine = line.strip().split('\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
#对多次训练结果进行测试,并统计平均错误率
def multiTest():
numTests = 10
errorSum = 0.0
for k in range(numTests):
errorSum += colicTest()
errorRate = errorSum / float(numTests)
print("After %d iterations the average error rate is: %f" % (numTests, errorRate))
得到的结果为:
The error rate of this test is: 0.358209
The error rate of this test is: 0.313433
The error rate of this test is: 0.268657
The error rate of this test is: 0.417910
The error rate of this test is: 0.462687
The error rate of this test is: 0.373134
The error rate of this test is: 0.328358
The error rate of this test is: 0.402985
The error rate of this test is: 0.313433
The error rate of this test is: 0.358209
After 10 iterations the average error rate is: 0.359701
Process finished with exit code 0
值得注意的是,这里的数据集约有 30% 的缺失值,这里引出了缺失值处理的重要话题,本例的处理方式是:
- 缺失 label:直接丢弃
- 缺失特征:置 0
这个算法中,将某个特征置 0,就相当于一个特殊值,在这个样本对分割线/面进行修正时,值为 0 的特征是没有贡献的,不会改变对应的 weight 参数。