机器学习实战代码详解（五）Logistic回归

#coding=utf-8

from numpy import *

#----------加载数据-------------
def loadDataSet():
    dataMat = []; labelMat = []
    fr = open('testSet.txt')            #读取样本
    for line in fr.readlines():
        lineArr = line.strip().split()  #移除字符串头尾空各，并由空格分割字符串
        dataMat.append([1.0, float(lineArr[0]), float(lineArr[1])])
        labelMat.append(int(lineArr[2]))
    return dataMat, labelMat            #获得特征矩阵与标记矩阵

#----------sigmod函数----------
def sigmod(inX):
    return 1.0/(1 + exp(-inX))

#---------梯度上升算法------------
def gradAscent(dataMatIn, classLabels):
    dataMatrix = mat(dataMatIn)        #转换为numpy矩阵
    labelMat = mat(classLabels).transpose() #转换为numpy矩阵，并将行向量转置为列列向量
    m, n = shape(dataMatrix)            #获取行，列
    alpha = 0.001                       #移动步长
    maxCycles = 500                     #迭代次数
    weights = ones((n, 1))              #回归系数初始化为1
    for k in range(maxCycles):        #w:=w+alpha*▽f(w)，其中▽f(w)=dataMatrix.transpose()*error
        h = sigmod(dataMatrix * weights)    #计算预测值
        error = (labelMat - h)              #更新真实类别与预测类别的差值
        weights = weights + alpha * dataMatrix.transpose()*error    #使用真实预测的值与预测类别的差值更新回归系数
    return weights

#------------画出数据集和Logistic回归最佳拟合直线函数---------
def plotBestFit(weights):
    import matplotlib.pyplot as plt
    dataMat, labelMat = loadDataSet()
    dataArr = array(dataMat)
    n = shape(dataMat)[0]
    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')
    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()

#随机梯度上升算法
def stocGradAscent0(dataMatrix, classLabel):
    m, n = shape(dataMatrix)
    alpha = 0.01
    weights = ones(n)
    for i in range(m):      #在线学习，一次仅用一个样本更新回归系数
        h = sigmod(sum(dataMatrix[i] * weights))
        error = classLabel[i] - h
        weights = weights + alpha * error *dataMatrix[i]
    return weights

#改进的随机梯度上升算法，避免系数发生来回波动
def stocGradAscent1(dataMatrix, classLabels, numIter = 150):
    m, n = shape(dataMatrix)
    weights = ones(n)
    for j in range(numIter):
        dataIndex = range(m)
        for i in range(m):
            alpha = 4/(1.0 + j + i) + 0.01      #alpha随迭代次数减小，缓解数据波动或者高频波动
            randIndex = int(random.uniform(0, len(dataIndex)))  #随机选取样本更新回归系数,减少周期性波动
            h = sigmod(sum(dataMatrix[randIndex] * weights))
            error = classLabels[randIndex] - h
            weights = weights + alpha * error *dataMatrix[randIndex]
            del(dataIndex[randIndex])         #删除掉已使用过的样本
    return weights

#-----------病马生死预测--------------
#以回归系数和特征向量作为输入计算对应的sigmod值
def classifyVector(inX, weights):
    prob = sigmod(sum(inX * weights))
    if prob > 0.5: return 1.0       #sigmod值大于0.5返回1
    else: return 0.0                #否则返回0
#logsitic回归分类器训练函数与测试函数
def colicTest():
    frTrain = open('horseColicTest.txt')        #打开训练集
    frTest = open('horseColicTest.txt')         #打开测试集
    trainningSet = []; trainningLabel = []
    for line in frTrain.readlines():             #读取训练集
        currLine = line.strip().split('\t')
        lineArr = []
        for i in range(21):
            lineArr.append(float(currLine[i]))
        trainningSet.append(lineArr)
        trainningLabel.append(float(currLine[21]))
    trainWeights = stocGradAscent1(array(trainningSet), trainningLabel, 500)    #用随机梯度法训练分类器
    errorCount = 0; numTestVec = 0.0
    for line in frTest.readlines():       #读取测试集
        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)) != int(currLine[21]):  #计算错误率
            errorCount += 1
    errorRate = (float(errorCount)/numTestVec)
    print 'the error rate of this test is: %f' %errorRate
    return errorRate
#分类器测试函数，求10次测试结果的平均值
def multiTest():
    numTests = 10; errorSum = 0.0
    for k in range(numTests):
        errorSum += colicTest()
    print "after %d iterations the average eror rate is: %f" % (numTests, errorSum/float(numTests))

总结

1. Logistic回归的目的是寻找一个非线性函数sigmod的最佳拟合参数，求解过程中可以由最优化算法来完成。在最优化算法中，最长用的就是梯度上升算法，而梯度上升算法又可以简化为随机梯度上升算法。
2. 随机梯度上升算法与梯度上升算法效果相当，但是占用更少的计算资源。此外，随机梯度上升是一个在线算法，它可以在新数据到来时完成参数更新，而不需要重新读取整个数据集来进行批处理。
3. 机器学习的一个重要问题就是如何处理缺失数据。这个问题没有标准答案，取决于实际应用中的需求。现有的解决方案中，每个方案都有优缺点。