【人工智能基础】线性回归与逻辑回归

 

🍊本文详细介绍了线性回归和逻辑回归是什么，并对二者进行了对比，此外详细介绍了sigmoid函数，最后使用Pytorch来实战模拟二者

🍊实验一使用Pytorch实现线性回归

🍊实验二使用Pytorch实现逻辑回归

一、Introduction

在初学机器学习的时候，我们总会听到线性回归模型和逻辑回归模型，那么它们究竟是什么？有什么联系与区别呢？

首先他们都是一条线，目的是让我们预测的对象尽可能多的穿过这条线

线性回归模型是真的回归模型，但是逻辑回归模型虽然名字上带着回归，实际上是个分类模型，看看看下图就知道了。因为是完全属于不同类型的模型，因此他们的损失函数也是不一样的

二、Principle

2.1 线性回归模型

损失函数

2.2 逻辑回归模型

这里的σ是sigmoid函数， 分类模型是需要将最后的预测结果仿射到0-1区间中，且所有的类的预测值之和为1，因此sigmoid函数最主要的作用就是将结果尽可能的仿射到0-1区间中

损失函数

2.3 sigmoid函数

sigmoid型函数是指一类S型曲线函数，两端饱和。其中最出名的是logistic函数，因此很多地方直接将sigmoid函数默认为logistic函数。

Logistic函数公式

Logistic函数的特点是区间范围在0~1之间，而且当x等于0时，其函数值为0.5，主要用作二分类。

 Tanh函数公式

Tanh函数的特点是区间范围在-1~1之间，而且当x等于0时，其函数值为0

Hard-Logistic函数和Hard-Tanh函数

三、Experiment

伪代码

1 Prepare dataset

2 Design model using Class

3 Construct loss and optimizer（Using Pytorch API）

4 Training cycle（forward，backward，update）

3.1 Linear  Regression

import torch

# 1 Prepare for the dataset
x_data = torch.tensor([[1.0], [2.0], [3.0]])
y_data = torch.tensor([[2.0], [4.0], [6.0]])


# Define the Model
class LinearModel(torch.nn.Module):
    def __init__(self):
        super(LinearModel, self).__init__()  # 默认写法,一定要有
        self.linear = torch.nn.Linear(1, 1, bias=True)
        # 两个参数为输入和输出的维度,N*输入维度和N*输出维度,其模型为y=Ax+b线性模型,因此其输入输出的维度一定是一样的
        # bias为模型是否需要偏置b

    def forward(self, x):
        y_pred = self.linear(x)  #
        return y_pred
    # 这里发现没有BP,这是因为使用Model构造出来的模型会根据你的计算图来自动进行BP


model = LinearModel()

# Define the criterion and optimizer
criterion = torch.nn.MSELoss(size_average=False)  # MSELoss是将所有的平方误差相加
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)  # 参数:第一个为所优化的模型,第二个是学习率

# Training
for epoch in range(1000):
    y_pred = model(x_data)
    loss = criterion(y_pred, y_data)
    print(epoch, loss)

    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

# Output weight and bias
print('w=', model.linear.weight.item())
print('b=', model.linear.bias.item())

# Test model
x_test = torch.Tensor([[4.0]])
y_test = model(x_test)
print('y_pred=', y_test.data)

Result

最后预测的结果w接近2，而b接近0，这是与我们的数据集的情况相匹配的 

3.2 Logistic Regression

import torch
import torchvision
import torch.nn.functional as F
import numpy as np
import matplotlib.pyplot as plt

# Prepare dataset
x_data = torch.Tensor([[1.0], [2.0], [3.0]])
y_data = torch.Tensor([[0], [0], [1]])


# Define the model
class LogisticRegressionModel(torch.nn.Module):
    def __init__(self):
        super(LogisticRegressionModel, self).__init__()
        self.linear = torch.nn.Linear(1, 1)

    def forward(self, x):
        y_pred = F.sigmoid(self.linear(x))
        return y_pred


model = LogisticRegressionModel()

# Define the criterion and optimizer
criterion = torch.nn.BCELoss(size_average=False)
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

# Training
for epoch in range(1000):
    y_pred = model(x_data)
    loss = criterion(y_pred, y_data)
    print('Epoch[{}/{}],loss:{:.6f}'.format(epoch, 1000, loss.item()))
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

# Drawing
x = np.linspace(0, 10, 200)
x_t = torch.Tensor(x).view((200, 1))
y_t = model(x_t)
y = y_t.data.numpy()
plt.plot(x, y)
plt.plot([0, 10], [0.5, 0.5], c='r')
plt.xlabel('Hours')
plt.ylabel('Probability of Pass')
plt.show()

Result 

可以看到当x等于2.5的时候，预测值刚好为0.5。这是与我们的数据集是相匹配的

参考资料

《机器学习》周志华

《深度学习与机器学习》吴恩达

《神经网络与与深度学习》邱锡鹏

《Pytorch深度学习实战》刘二大人