-
logistic回归的一般过程
- 收集数据:采用任意方法收集数据
- 准备数据:由于需要距离计算,因此要求距离类型为数值型。另外,结构化数据格式则最佳。
- 分析数据:采用任意方法对数据进行分析。
- 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。
- 测试算法:一旦训练步骤完成,分类将会很快。
- 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。ex.在两个类的情况下,上述函数输出0或1.类似这种性质的函数称为单位阶跃函数。但是,阶跃函数存在的问题是:该函数在跳跃点上从0瞬间跃到1,这个瞬间跳跃过程有时很难处理。因此,我们使用另一个具有类似性质的函数——Sigmoid函数,它在数学上更容易处理。Sigmoid函数的计算公式为:
如下图所示,给出了Sigmoid函数在不同坐标尺度下的两条曲线图。当x=0时,函数值为0.5。随着x增大,对应的Sigmoid值将逼近于1;而随着x减小,对应的Sigmoid值将逼近于0.
当横坐标为-4到4,曲线比较平滑;如果横坐标刻度足够大,在x=0处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,这个总和代入Sigmoid函数中去,进而得到一个范围在0~1之间的一个数值。大于0.5的的数据分为1类,小于0.5的分为0类。所以Logistic回归也可以被看成是一种概率估计。
-
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,由下面的公式得出:
若采用向量的写法 :
表示将这两个数值对应元素相乘然后全部加起来即得到z值。
向量x:分类器的输入数据
向量w:我们要找的最佳参数(系数),从而使分类器尽可能地精确
为了寻找最佳参数,需要用到最优化理论地一些知识。下面是介绍梯度上升这一最优化方法,我们将学习到如何使用该方法求得数据集地最佳参数。
-
梯度上升法
梯度上升法的基本思想: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。
该公式的含义是:沿x的方向移动,沿y的方向移动
.
ps:梯度上升算法到达每个点后都会重新估计移动的方向。从开始,计算完该点的梯度,函数就根据梯度移动到下一点
.在
,梯度再次被重新计算,并沿新的梯度方向移动到
.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选取到最佳的移动方向。
在上图中可以看到,梯度算子总是指向函数值增长最快的方向。这里说的是移动方向,而未提到移动量的大小。该量值称为步长,记作。用向量表示的话,该梯度算法的迭代公式为:
梯度下降算法:
我们最经常听到的是梯度下降算法,与梯度上升算法一样,只需要将+换成-就可以了。
梯度上升算法用来求函数最大值,而梯度下降算法用来求函数的最小值。
-
导入一个数据集
testSet.txt
-0.017612 14.053064 0
-1.395634 4.662541 1
-0.752157 6.538620 0
-1.322371 7.152853 0
0.423363 11.054677 0
0.406704 7.067335 1
0.667394 12.741452 0
-2.460150 6.866805 1
0.569411 9.548755 0
-0.026632 10.427743 0
0.850433 6.920334 1
1.347183 13.175500 0
1.176813 3.167020 1
-1.781871 9.097953 0
-0.566606 5.749003 1
0.931635 1.589505 1
-0.024205 6.151823 1
-0.036453 2.690988 1
-0.196949 0.444165 1
1.014459 5.754399 1
1.985298 3.230619 1
-1.693453 -0.557540 1
-0.576525 11.778922 0
-0.346811 -1.678730 1
-2.124484 2.672471 1
1.217916 9.597015 0
-0.733928 9.098687 0
-3.642001 -1.618087 1
0.315985 3.523953 1
1.416614 9.619232 0
-0.386323 3.989286 1
0.556921 8.294984 1
1.224863 11.587360 0
-1.347803 -2.406051 1
1.196604 4.951851 1
0.275221 9.543647 0
0.470575 9.332488 0
-1.889567 9.542662 0
-1.527893 12.150579 0
-1.185247 11.309318 0
-0.445678 3.297303 1
1.042222 6.105155 1
-0.618787 10.320986 0
1.152083 0.548467 1
0.828534 2.676045 1
-1.237728 10.549033 0
-0.683565 -2.166125 1
0.229456 5.921938 1
-0.959885 11.555336 0
0.492911 10.993324 0
0.184992 8.721488 0
-0.355715 10.325976 0
-0.397822 8.058397 0
0.824839 13.730343 0
1.507278 5.027866 1
0.099671 6.835839 1
-0.344008 10.717485 0
1.785928 7.718645 1
-0.918801 11.560217 0
-0.364009 4.747300 1
-0.841722 4.119083 1
0.490426 1.960539 1
-0.007194 9.075792 0
0.356107 12.447863 0
0.342578 12.281162 0
-0.810823 -1.466018 1
2.530777 6.476801 1
1.296683 11.607559 0
0.475487 12.040035 0
-0.783277 11.009725 0
0.074798 11.023650 0
-1.337472 0.468339 1
-0.102781 13.763651 0
-0.147324 2.874846 1
0.518389 9.887035 0
1.015399 7.571882 0
-1.658086 -0.027255 1
1.319944 2.171228 1
2.056216 5.019981 1
-0.851633 4.375691 1
-1.510047 6.061992 0
-1.076637 -3.181888 1
1.821096 10.283990 0
3.010150 8.401766 1
-1.099458 1.688274 1
-0.834872 -1.733869 1
-0.846637 3.849075 1
1.400102 12.628781 0
1.752842 5.468166 1
0.078557 0.059736 1
0.089392 -0.715300 1
1.825662 12.693808 0
0.197445 9.744638 0
0.126117 0.922311 1
-0.679797 1.220530 1
0.677983 2.556666 1
0.761349 10.693862 0
-2.168791 0.143632 1
1.388610 9.341997 0
0.317029 14.739025 0
-
Logistic 回归梯度上升优化算法
先加载数据
import matplotlib.pyplot as plt
import numpy as np
"""
Parameters:
无
Returns:
dataMat - 数据列表
labelMat - 标签列表
"""
# 函数说明:加载数据
def loadDataSet():
dataMat = [] #创建数据列表
labelMat = [] #创建标签列表
fr = open('testSet.txt') #打开文件
for line in fr.readlines(): #逐行读取
lineArr = line.strip().split() #去回车,放入列表
dataMat.append([1.0, float(lineArr[0]), float(lineArr[1])]) #添加数据
labelMat.append(int(lineArr[2])) #添加标签
fr.close() #关闭文件
return dataMat, labelMat #返回
# 函数说明:绘制数据集
def plotDataSet():
dataMat, labelMat = loadDataSet() #加载数据集
dataArr = np.array(dataMat) #转换成numpy的array数组
n = np.shape(dataMat)[0] #数据个数
xcord1 = []; ycord1 = [] #正样本
xcord2 = []; ycord2 = [] #负样本
for i in range(n): #根据数据集标签进行分类
if int(labelMat[i]) == 1:
xcord1.append(dataArr[i,1]); ycord1.append(dataArr[i,2]) #1为正样本
else:
xcord2.append(dataArr[i,1]); ycord2.append(dataArr[i,2]) #0为负样本
fig = plt.figure()
ax = fig.add_subplot(111) #添加subplot
ax.scatter(xcord1, ycord1, s = 20, c = 'red', marker = 's',alpha=.5)#绘制正样本
ax.scatter(xcord2, ycord2, s = 20, c = 'green',alpha=.5) #绘制负样本
plt.title('DataSet') #绘制title
plt.xlabel('x'); plt.ylabel('y') #绘制label
plt.show() #显示
if __name__ == '__main__':
plotDataSet()
显示数据集分布:
2. 梯度上升算法:
import numpy as np
def loadDataset():#功能为打开文本文件testSet.txt并逐行读取
# 每行前两个值分别是X1和X2,第三个值是数据对应的类别标签,为了方便计算,设X0=1.0
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+np.exp(-inX))
def gradAscent(dataMatIn,classLabels):
# dataMatIn每列代表不同的特征,每行则代表每个训练样本,我们采用的是100个样本的简单数据集;dataMatIn理放的是100*3的矩阵;第二个参数是类别标签
dataMatrix=np.mat(dataMatIn)
labelMat=np.mat(classLabels).transpose()#transpose是啥意思
m,n=np.shape(dataMatrix)
alpha=0.001#向目标移动的步长
maxCycles=500#迭代的次数
weights=np.ones((n,1))
for k in range (maxCycles):
h=Sigmoid(dataMatrix*weights)
error=(labelMat-h)
weights=weights+alpha*dataMatrix.transpose()*error
return weights
#for循环迭代完成后,返回训练好的回归系数
#梯度上升算法
if __name__=='__main__':
dataMat,labelMat=loadDataSet()
print(gradAscent(dataMat,labelMat))
运算结果:(返回回归系数)
分析数据:画出决策边界:
#分析数据/;画出决策边界
def plotBestFit(weights):
dataMat, labelMat = loadDataSet() #加载数据集
dataArr = np.array(dataMat) #转换成numpy的array数组
n = np.shape(dataMat)[0] #数据个数
xcord1 = []; ycord1 = [] #正样本
xcord2 = []; ycord2 = [] #负样本
for i in range(n): #根据数据集标签进行分类
if int(labelMat[i]) == 1:
xcord1.append(dataArr[i,1]); ycord1.append(dataArr[i,2]) #1为正样本
else:
xcord2.append(dataArr[i,1]); ycord2.append(dataArr[i,2]) #0为负样本
fig = plt.figure()
ax = fig.add_subplot(111) #添加subplot
ax.scatter(xcord1, ycord1, s = 20, c = 'red', marker = 's',alpha=.5)#绘制正样本
ax.scatter(xcord2, ycord2, s = 20, c = 'green',alpha=.5) #绘制负样本
x = np.arange(-3.0, 3.0, 0.1)
y = (-weights[0] - weights[1] * x) / weights[2]
ax.plot(x, y)
plt.title('BestFit') #绘制title
plt.xlabel('X1'); plt.ylabel('X2') #绘制label
plt.show()
if __name__=='__main__':
dataMat,labelMat=loadDataSet()
print(gradAscent(dataMat,labelMat))
weights=gradAscent(dataMat,labelMat)
plotBestFit(weights)
结果:
在上面分析Sigmoid函数中,z是Sigmoid函数的输入,就可以将数据分隔开。x1是全为1的向量,x1是数据集第一列数据,x2是数据集的第二列数据。z=0是两个分类(0和1)的分界处,所以,设定横坐标为x1,纵坐标为x2,这个方程的位置参数是w0,w1,w2,,也就是我们求的回归系数(最优参数),已经求解出的就是回归系数[w0,w1,w2],通过系数就可以确定不同数据之间的分割线,画出决策边界
3.训练算法:随机梯度上升算法
梯度上升算法需要每次都遍历一次数据集,当数据集小的时候可以,但是当数据集很大的时候,机如果是数十亿、数百万的时候,那么该计算方法的计算复杂度就太高了。改进算法: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。
随机梯度上升算法可以写成如下的伪代码:
所有回归系数初始化为1
对数据集中每个样本
计算该样本的梯度
使用alpha × gradient更新回归系数值
返回回归系数值
代码:
'''
Parameters:
dataMatrix - 数据数组
classLabels - 数据标签
numIter - 迭代次数
Returns:
weights - 求得的回归系数数组(最优参数)
'''
# 函数说明:改进的随机梯度上升算法
def stocGradAscent1(dataMatrix, classLabels, numIter=150):
m,n = np.shape(dataMatrix) #返回dataMatrix的大小。m为行数,n为列数。
weights = np.ones(n) #参数初始化
for j in range(numIter):
dataIndex = list(range(m))
for i in range(m):
alpha = 4/(1.0+j+i)+0.01 #降低alpha的大小,每次减小1/(j+i)。
randIndex = int(random.uniform(0,len(dataIndex))) #随机选取样本
h = sigmoid(sum(dataMatrix[randIndex]*weights)) #选择随机选取的一个样本,计算h
error = classLabels[randIndex] - h #计算误差
weights = weights + alpha * error * dataMatrix[randIndex]#更新回归系数
del(dataIndex[randIndex]) #删除已经使用的样本
return weights
记得要在前面添加import random
运行结果:
改进算法还增加了一个迭代次数作为第三个参数。如果该参数没有给定,算法自动默认迭代150次
4.比较两次算法
判断优化算法的优劣的可靠算法是看它是否收敛,参数是否达到稳定值,观察三个回归系数的变化情况:
由于改进的随机梯度上升算法,随机选取样本点,所以每次的运行结果是不同的。但是大体趋势是一样的。改进的随机梯度上升算法收敛效果更好。为什么这么说呢?
让我们分析一下。一共有100个样本点,改进的随机梯度上升算法迭代次数为150。而上图显示15000次迭代次数的原因是,使用一次样本就更新一下回归系数。因此,迭代150次,相当于更新回归系数150*100=15000次。简而言之,迭代150次,更新1.5万次回归参数。从上图左侧的改进随机梯度上升算法回归效果中可以看出,其实在更新2000次回归系数的时候,已经收敛了。相当于遍历整个数据集20次的时候,回归系数已收敛。训练已完成。
再让我们看看上图右侧的梯度上升算法回归效果,梯度上升算法每次更新回归系数都要遍历整个数据集。从图中可以看出,当迭代次数为300多次的时候,回归系数才收敛。凑个整,就当它在遍历整个数据集300次的时候已经收敛好了。
没有对比就没有伤害,改进的随机梯度上升算法,在遍历数据集的第20次开始收敛。而梯度上升算法,在遍历数据集的第300次才开始收敛。想像一下,大量数据的情况下,谁效果更好呢?不言而喻,但是程序的时间我们也做了对比,没有免费的午餐。