Python学习-机器学习实战-ch05 Logistic回归

好久没有更新了，终于把毕业论文初稿给老师了，赶紧继续学习吧！
第一次尝试用markdown

---

《机器学习实战》第五章：Logistic回归

　　通常，我们需要把输入值转换成类别输出。在只有两个类别的时候，最简单的函数即单位阶跃函数。但是，从0到1的转换瞬间 通常是非常难确定的。所以，Sigmoid函数就可以用来代替单位阶跃函数啦。
　　Sigmoid函数公式如下：

$$\Gamma(z)=\frac{1}{1+e^{-z}}$$
　　　　　　　　　　　　　　　　　　　　　　
　　　　　　　　　　　　　　　　　　　　　　当x=0时，sigmoid函数值为0.5。
　　　　　　　　　　　　　　　　　　　　　　随着x增大，sigmoid值逼近1。
　　　　　　　　　　　　　　　　　　　　　　随着x减小，sigmoid值逼近0。

　　Logistic回归的思想就是，将特征值乘以回归系数，求和后的值输入到sigmoid函数中，进而得到分类结果。
　　我们将sigmoid函数的输入即为z，则z由以下公式得出：

$$z=w_0x_0+w_1x_1+w_2x_2+\ldots+w_nx_n$$
　　其中， $ｘ$表示分类器的输入数据，向量$w$就是Logistic的参数。当然，上式也可以直接写成
$$z=w^{T}x$$
　　那么，现在问题就变成了，求最优的回归系数 $w$

　　为了寻找最佳参数，书中介绍了最优化理论的基础知识。

1.梯度上升法

　　梯度上升法的基本思想是：要找某个函数的最大值，最好的方法是沿着该函数的梯度方向探寻。

$$\nabla f(x,y)=\binom{\frac{\partial f(x,y)}{\partial x}}{\frac{\partial f(x,y)}{\partial y}}$$
这个梯度 $\nabla$表示沿 $x$的方向移动了$\frac{\partial f(x,y)}{\partial x}$，沿 $y$的方向移动了$\frac{\partial f(x,y)}{\partial y}$。
　　梯度上升算法的迭代公式如下： $$w:=w+\alpha \nabla _w f(w)$$
　　其中， $\alpha$表示移动量的大小，即步长。该迭代一直被执行，直到达到某个停止条件为止。
　　 *****************************************************************************************************************************
　　更常听到的是梯度下降法。与梯度上升法一样的，但是加法变成减法，即迭代公式变为：
$$w:=w-\alpha \nabla _w f(w)$$
　　　　　　　 梯度上升法用来求函数的最大值，梯度下降法用来求函数最小值。
　　 *******************************************************************************************************************************
　　
　　梯度上升法的伪代码如下：
　　××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××
　　- 每个回归系数初始化为1
　　- 重复R次：
　　　　- 计算整个数据集的梯度
　　　　- 使用alpha*gradient更新回归系数的向量
　　- 返回回归系数
　　××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××

代码如下：　

from numpy import *
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

def sigmoid(inX):
    return 1.0/(1+exp(-inX))

def gradAscent(dataMatIn,classLabels):
    dataMatrix=mat(dataMatIn)
    #mat()是numpy内的函数，将数组转化为矩阵
    labelMat=mat(classLabels).transpose()
    #transpose()函数用于矩阵转置
    m,n=shape(dataMatrix)
    alpha=0.001
    #步长
    maxCycles=500
    weights=ones((n,1))
    for k in range(maxCycles):
        h=sigmoid(dataMatrix*weights)
        #sigmoid函数的分类结果
        error=(labelMat-h)
        #真实与预测的误差
        weights=weights+alpha*dataMatrix.transpose()*error
        #用误差乘以数据矩阵的转置表示梯度，此包含一个数学推导
    return weights

def plotBestFit(weights):
    import matplotlib.pyplot as plt
    dataMat,labelMat=loadDataSet()
    dataArr=array(dataMat)
    n=shape(dataArr)[0]
    #shape求的是大小，[0]表示行数，即数据个数
    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')
    #绘制正反类散点图
    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()

结果如下：
　　　　
　　
　　梯度上升算法每次更新回归系数时都需要遍历整个数据集。当样本数量个数巨大或者特征维度特别高时，运算复杂度极高。所以，使用了新方法称为：随机梯度上升算法。可以在新样本到来时对分类器进行增量式更新，因此它是一个“在线学习算法“。对应的，一次处理所有数据称为“批处理”。
　随机梯度上升法的伪代码如下：
　　××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××
　　- 每个回归系数初始化为1
　　- 对数据集中每个样本（重复R次）：
　　　　- 计算该样本（整个数据集）的梯度
　　　　- 使用alpha*gradient更新回归系数的向量
　　- 返回回归系数
　　××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××
　　

def stocGradAscent0(dataMatrix,classLabels):
    m,n=shape(dataMatrix)
    alpha=0.01
    weights=ones(n)
    #m表示数据样本的个数
    for i in range(m):
        h=sigmoid(sum(dataMatrix[i]*weights))
        error=classLabels[i]-h
        weights=weights+alpha*error*dataMatrix[i]
        #此处与原本方法不同的：梯度上升算法是对整个数据集进行操作，所以是以矩阵进行计算
        #此函数h和error都是向量
        #因为是对每个样本进行操作的
    return weights

结果如下：
　　　　
　　
　　数据集并非是线性可分，该方法受样本的影响较大，容易在每次迭代中发生系数波动。所以，对随机梯度上升算法进行改进。
　　

def stocGradAscent1(dataMatrix,classLabels,numIter=150):
    m,n=shape(dataMatrix)
    weights=ones(n)
    for j in range(numIter):
        dataIndex=list(range(m))
        for i in range(m):
            alpha=4/(1.0+j+i)+0.01
            randIndex=int(random.uniform(0,len(dataIndex)))
            #uniform(x,y) 方法将随机生成下一个实数，它在[x,y]范围内。
            h=sigmoid(sum(dataMatrix[randIndex]*weights))
            error=classLabels[randIndex]-h
            weights=weights+alpha*error*dataMatrix[randIndex]
            del (dataIndex[randIndex])
    return weights

　　此处，alpha在每次迭代每个样本时都进行调整。alpha会随着迭代次数不断减少，但不会减小到0。随机选取样本的方法可以减少周期的波动。
　　此处将dataIndex从range外改成list型。
　　　　　　

实例
分类函数：

def classifyVector(inX,weights):
    prob=sigmoid(sum(inX*weights))
    if prob>0.5:
        return 1.0
    else:
        return 0.0

测试过程：

def coliTest():
    frTrain=open('horseColicTraining.txt')
    frTest=open('horseColicTraining.txt')
    trainingSet=[]
    trainingLabels=[]
    for line in frTrain.readlines():
        currLine=line.strip().split('\t')
        lineArr=[]
        for i in range(21):
            lineArr.append(float(currLine[i]))
        trainingSet.append(lineArr)
        trainingLabels.append(float(currLine[21]))
    trainWeights=stocGradAscent1(array(trainingSet),trainingLabels,500)
    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))!= round(float(currLine[21])):
            errorCount+=1
    errorRate=(float(errorCount)/numTestVec)
    print('the error rate of this test is:%f' %errorRate)
    return errorRate

def multiTest():
    numTest=10
    errorSum=0.0
    for k in range(numTest):
        errorSum+=coliTest()
    print('after %d iterations the average error rate is :%f' %(numTest,errorSum/float(numTest)))

　　Logistic回归的目的是寻找一个非线性函数Sigmoid的最佳拟合参数，求解过程可由优化算法来完成。在最优化算法中，最常用的是梯度上升算法。