程序:
# -*- coding: utf-8 -*-
"""
Created on Wed Mar 14 14:15:43 2018
@author: ###
"""
import numpy as np
import matplotlib.pyplot as plt
def loadDataSet():
dataMat=[]
labelMat=[]
fr=open('testSet.txt') #打开文件
for line in fr.readlines(): #逐行读取
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):
'''
梯度上升法
伪代码:
所有回归系数初始化为1
重复maxCycles次:
计算每个数据集的梯度
使用alpha*gradient更新回归系数的向量
返回回归系数
'''
dataMatrix=np.mat(dataMatIn)
labelMat=np.mat(classLabels).transpose()
m,n=np.shape(dataMatrix)
alpha=0.001
maxCycles=500
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
def plotBestFit(weights):
'''
画出决策边界
将不同类的点分开,先后用不同形状标记花在同一张图上
利用得到的回归系数计算决策边界
这里 w0*x0+w1*x1+w2*x2=0 -> x2=(-w0-w1*x1)/w2 ,x0=1
'''
dataMat,labelMat=loadDataSet()
dataArr=np.array(dataMat) #将矩阵转化为数组
n=np.shape(dataArr)[0] #找到数据个数
xcord1=[];ycord1=[]
xcord2=[];ycord2=[]
for i in range(n):
if int (labelMat[i])==1: #记录标记为1的数据
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) #添加子图,分贝表示子图行数、列数和位置
#散点图 s表示大小,c表示颜色,marker表示标记类型,还有label表示标签
ax.scatter(xcord1,ycord1,s=30,c='red',marker='s',label='red')
ax.scatter(xcord2,ycord2,s=30,c='green',label='green')
plt.legend(loc='upper right') #表明label的位置,若无这条语言,则无法显示label
x=np.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()
def stocGradAscent0(dataMatrix,classLabels):
'''
随机梯度上升法
伪代码:
所有回归系数初始化为1
对数据集中的每一个样本:
计算该样本的梯度
使用alpha*graident更新回归系数值
返回回归系数值
'''
m,n=np.shape(dataMatrix)
alpha=0.01
weights=np.ones(n)
for i in range(m):
h=sigmoid(sum(dataMatrix[i]*weights))
error=classLabels[i]-h
weights=weights+alpha*error*dataMatrix[i]
return weights
def stocGradAscent1(dataMatrix,classLabels,numIter=150):
'''
改进的随机梯度上升法
改进一:
alpha值不是固定不变的,随着迭代次数和目前样本个数的增大而减小
同时迭代次数j<<m时,alpha不是单调下降,而是周期性地下降
改进二:
随机抽取样本,减少周期性波动
'''
m,n=np.shape(dataMatrix)
weights=np.ones(n)
for j in range(numIter):
#这里与书上不同 range(m)返回的是range对象,无法进行删除,用list函数进行转换
dataIndex= list(range(m))
for i in range(m):
alpha=4/(1.0+j+i)+0.01
randIndex=int(np.random.uniform(0,len(dataIndex)))
h=sigmoid(sum(dataMatrix[randIndex]*weights))
error=classLabels[randIndex]-h
weights=weights+alpha*error*dataMatrix[randIndex]
del(dataIndex[randIndex])
return weights
if __name__=='__main__':
'''
梯度上升法
'''
dataArr,labelMat=loadDataSet()
weights=gradAscent(dataArr,labelMat)
print(weights)
plotBestFit(weights.getA()) #将矩阵转化为数组 matrix->ndarray(多维数组,同构)
'''
随机梯度下降法
这里数据集dataArr类型是list,需先转为ndarray:
因为*在list中是构建重复元素,而不是列表中所有数据乘以某个值
同时也要注意在list用了*号后,实现上是复制了值的引用,
一旦更改其中一个,重复的所有值都会随之改变,所以需要慎用
'''
weights=stocGradAscent0(np.array(dataArr),labelMat)
plotBestFit(weights)
'''
改进梯度下降法
'''
weights=stocGradAscent1(np.array(dataArr),labelMat)
plotBestFit(weights)
运行结果:
梯度上升法:
随机梯度下降法:
改进随机梯度下降法: