吴恩达机器学习CS229A_EX2_逻辑回归与正则化_Python3

最新推荐文章于 2024-05-25 22:39:28 发布

AI_Study

最新推荐文章于 2024-05-25 22:39:28 发布

阅读量604

点赞数 1

分类专栏：机器学习实战

本文链接：https://blog.csdn.net/ai_lalaland/article/details/105641668

版权

本文介绍了逻辑回归的实现，包括利用scipy库进行梯度下降求解最优参数，并展示了数据预处理、代价函数计算和梯度下降公式。接着探讨了正则化逻辑回归，通过多项式特征提取，调整λ参数来平衡模型复杂度和泛化能力，分析不同λ值对训练集正确率的影响。

摘要由CSDN通过智能技术生成

逻辑回归

问题描述：特征集为学生的两门课的成绩，标签集为是否被大学录取。

说明：

这里调用 scipy 库函数执行梯度下降的具体迭代，不用手动设置步长和迭代次数，但 cost 如何计算、梯度如何求取需要以函数形式传递给 scipy；
numpy 对 array 执行矩阵运算时，对数据格式比较严格，程序中调用了好几次 shape() 用于将形如 (100, ) 的数据格式转化为 (100, 1)，这样执行矩阵乘法才能得到正确结果。

首先导入并可视化数据：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import scipy.optimize as opt

def loadData(filename):
    return pd.read_csv(filename, header = None, names = ['Exam 1', 'Exam 2', 'Admitted'])

def showData(data):
    positive = data[data['Admitted'].isin([1])]
    negative = data[data['Admitted'].isin([0])]

    fig, ax = plt.subplots(figsize = (12, 8))
    ax.scatter(positive['Exam 1'], positive['Exam 2'], s=50, c='b', marker='o', label='Admitted')
    ax.scatter(negative['Exam 1'], negative['Exam 2'], s=50, c='r', marker='x', label='Not Admitted')
    ax.legend()
    ax.set_xlabel('Exam 1 Score')
    ax.set_ylabel('Exam 2 Score')
    plt.show()

data = loadData('ex2data1.txt')
print(data.head())
print(data.describe())
showData(data)

      Exam 1     Exam 2  Admitted
0  34.623660  78.024693         0
1  30.286711  43.894998         0
2  35.847409  72.902198         0
3  60.182599  86.308552         1
4  79.032736  75.344376         1

           Exam 1      Exam 2    Admitted
count  100.000000  100.000000  100.000000
mean    65.644274   66.221998    0.600000
std     19.458222   18.582783    0.492366
min     30.058822   30.603263    0.000000
25%     50.919511   48.179205    0.000000
50%     67.032988   67.682381    1.000000
75%     80.212529   79.360605    1.000000
max     99.827858   98.869436    1.000000

Process finished with exit code 0

接着对数据预处理（这里将 X，y，theta 都转化为 numpy 的 array 格式）：

def initData(data):
    data.insert(0, 'Ones', 1)
    cols = data.shape[1]
    X = data.iloc[:, 0: cols - 1]
    y = data.iloc[:, cols - 1: cols]
    X = np.array(X.values)
    y = np.array(y.values)
    theta = np.zeros(3)
    return X, y, theta

data = loadData('ex2data1.txt')
X, y, theta = initData(data)
print(X.shape, theta.shape, y.shape)

(100, 3) (3,) (100, 1)

Process finished with exit code 0

根据如下公式计算 cost：

# 辅助函数：计算 sigmoid
def sigmoid(z):
    return 1 / (1 + np.exp(-z))

# 计算 cost
def cost(theta, X, y):
    # theta 参数个数
    n = len(theta)
    first = -y * np.log(sigmoid(X @ theta.reshape(n, 1)))
    second = -(1 - y) * np.log(1 - sigmoid(X @ theta.reshape(n, 1)))
    return np.sum(first + second) / (len(X))

根据如下公式进行梯度下降：

# 计算单次梯度下降
def gradient(theta, X, y):
    # theta 参数个数
    n = len(theta)
    # 样本数
    m = len(y)
    grad = np.zeros(n)
    error = sigmoid(X @ theta.reshape(n, 1)) - y
    for i in range(n):
        term = error * X[:, i].reshape(m, 1)
        grad[i] = np.sum(term) / m
    return grad

调用 scipy 使用 TNC 寻找最优参数：

data = loadData('ex2data1.txt')
X, y, theta = initData(data)
# 利用 SciPy 的 truncated newton(TNC) 寻找最优参数
result = opt.fmin_tnc(func=cost, x0=theta, fprime=gradient, args=(X, y))
print(result)