利用python和TensorFlow解决逻辑回归问题

本文示例的模块版本：
python 3.6
tensorflow 1.15（会有很多警告，但不妨碍运行。另2.0很坑，API都变了T-T）   

使用随机的方法成样两个样本集，使用逻辑回归的方法对两个样本集进行分类。步骤如下：

步骤1. 建立数据源（样本库）——使用随机初始化的方式。由于需要进行逻辑分类，需要建立2个数据类，并合并在一起。如下：

num_points=1000  # 样本数目 vectors_set=[] x1_PlotData=[]  # 用于后期绘图的数据 y1_PlotData=[] x2_PlotData=[] y2_PlotData=[] for i in range(int(num_points/2)):     x1=np.random.normal(0.0,0.55)   #横坐标，进行随机高斯处理化，以0为均值，以0.55为标准差     y1=x1*0.1+0.3+np.random.normal(-0.03,0.03)   #纵坐标，数据点在y1=x1*0.1+0.3上小范围浮动     vectors_set.append([x1,y1,0])     x2 = np.random.normal(0.0, 0.55)     y2 = x2 * 0.1 + 0.5 + np.random.normal(-0.03, 0.03)     vectors_set.append([x2, y2,1])     x1_PlotData.append(x1)     y1_PlotData.append(y1)     x2_PlotData.append(x2)     y2_PlotData.append(y2) x1_data=[v[0] for v in vectors_set]  # 使用np.mat将list转化为numpy中的矩阵格式 x2_data=[v[1] for v in vectors_set] y_data=[v[2] for v in vectors_set]

 

步骤2.建立数据流图：新建变量theta，假设函数 ，代价函数，优化算法选择梯度下降法，并设置步长：

theta=tf.Variable(np.zeros([3,1]),dtype=tf.float32)  # 新建变量和占位符 x_input=tf.placeholder(tf.float32,shape=[num_points,3]) y_input=tf.placeholder(tf.float32)   h_theta=1/(1+tf.exp(-tf.matmul(x_input,theta))) # 构建假设函数   cost=-tf.reduce_mean(y_input*tf.log(h_theta)+(1-y_input)*tf.log(1-h_theta))  # 构建代价（损失）函数 optimizer = tf.train.GradientDescentOptimizer(0.99)  # 选择梯度下降法，并设置步长。 train_step = optimizer.minimize(cost)

 

步骤3.初始化流图：

sess = tf.Session() init = tf.global_variables_initializer() sess.run(init)

 

步骤4.开始训练，同时记录训练过程：

x_plot=[] y_plot=[] steps = 2000  # 训练次数 for i in range(steps):     xs=np.column_stack((np.ones([num_points]), np.mat(x1_data).T,np.mat(x2_data).T))     ys = np.mat(y_data).T     feed = { x_input: xs, y_input: ys }     sess.run(train_step, feed_dict=feed)     if i % 100 == 0 :  # 每训练100次，记录训练结果         print("After %d iteration:" % i)         print("Theta:" ,sess.run(theta))         print("Cost: %f" % sess.run(cost, feed_dict=feed))         x_plot.append(i)         y_plot.append(sess.run(cost, feed_dict=feed))

 

步骤5.输出训练结果，主要为训练参数theta和损失值（代价值）：

print("Finnally Result") print("Theta:" ,sess.run(theta)) print("Cost: %f" % sess.run(cost, feed_dict=feed))

 

步骤6.在样本集中绘制训练后的直线，和“训练次数-损失”曲线，一边观察训练结果：

x_result=[-2,2] Theta_result=sess.run(theta) y_result=[] for x_temp in x_result:  # 如果直接赋值y_result=x_result*W+b，则y_result类型为Tensor，不能直接打印     y_result.append((-Theta_result[0]-x_temp*Theta_result[1])/Theta_result[2]) plt.subplot(1,2,1) plt.scatter(x1_PlotData,y1_PlotData,c='g') plt.scatter(x2_PlotData,y2_PlotData,c='r') plt.plot(x_result,y_result,'-y') plt.subplot(1,2,2) plt.plot(x_plot,y_plot,'-') plt.show()

 

输出结果：

打印结果（最后的训练结果）： Finnally Result Theta: [[-10.052092]  [ -2.693136]  [ 27.155874]] Cost: 0.084509

绘制的曲线：

虽然代价值比较大，但从途中可以看出直线已经拟合的比较好了。