logistic回归
一、logistic回归是用来干什么的?
二、logistic回归的原理
三、算法
四、优化总结
一、用于二分类问题,比如分析一头牛犯病的可能性,犯病为1,不犯病为0,由犯病的概率来判断是否犯病;判断一封邮件是否是垃圾邮件;分析天气是否下雨。这些问题都是二分类问题。
二、以上二分类问题用函数表示的话,因变量不是1就是0,那么用海维赛德函数(单位阶跳跃函数)表示并不好来表达,无法表示因为概率来显示的结果,在0到1瞬间跳跃很难处理,于是就引进了sigmoid函数来进行分析。
将sigmoid函数扩展到多维面上,z就变成了一个向量ΘTX的,即:
X为变量,Θ为参数向量,ΘT是Θ的转置,由行变列。ΘTX为矩阵乘法。说白里就是在原有的基础上给各个特征乘上一个参数,再带入sigmoid函数中,结果大于0.5就为1,否则就为0。
现在的问题就是如何求这个Θ向量,就用到下面的梯度上升最优算法。
三、梯度上升最优算法
《机器学习实战》中并没有讲梯度上升算法中的梯度迭代公式的推导过程,只是讲解了Python的代码。
推导过程非常复杂和困难,这里我也只给出梯度迭代公式:
Θj经过无数次的迭代过程最终会得到要求的向量Θ,α为步长,x和y都是已知的训练集的数据。y为一组数据的分类结果,x为一组特征向量。Θj的初值是全为1的向量。
算法伪代码:
回归系数Θ初始化为1
规定步长α和迭代次数R
for循环R次
计算整个数据集的梯度和误差
使用梯度上升最优算法更新回归系数
返回回归系数
详见代码1
注意:1、矩阵相乘的条件,有几个地方是需要矩阵的转置
2、α越小,R越大,精度越高,同时时间复杂度就越高
四、优化和总结
1、梯度上升算法不止这一种,《机器学习实战》中还给出了一种随机梯度上升算法,区别在于变量和误差都是向量,需要矩阵的转换,连步长都每次迭代更新调整,详见代码2。
2、优点:计算代价不高,易于理解和实现。
缺点:容易欠拟合,分类精度可能不高。梯度迭代公式那推导,过程难理解。
代码1:
# coding=utf-8
import numpy as np
from numpy import *
import random
from pylab import *
def getData():
dataMat = []
labelMat = []
file = open(r'C:\Users\l\Desktop\testSet.txt', 'r+')
for i in file.readlines():
lineArr = i.strip().split()
dataMat.append([1.0, float(lineArr[0]), float(lineArr[1])])
labelMat.append(int(lineArr[2]))
return dataMat, labelMat
#梯度上升优化算法
def gredAscent(x, y):
x = np.mat(x)
y = np.mat(y).transpose()
print 'x:',x
print 'y:',y
m,n = x.shape
a = 0.001
num = 500
w = np.ones((n, 1))
for i in range(num):
h = sigmoid(x*w)
loss = y - h
w = w + a*x.transpose()*loss
return w
def sigmoid(Inx):
return 1.0/(1+exp(-Inx))
def plotBestFit(weights):
import matplotlib.pyplot as plt
dataMat,labelMat=getData()
dataArr = array(dataMat)
n = shape(dataArr)[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]
print x
print y
ax.plot(x, y)
plt.xlabel('X1'); plt.ylabel('X2');
plt.show()
def main():
x, y = getData()
w = gredAscent(x, y)#w为向量Θ
print w
plotBestFit(w.getA())
if __name__ == '__main__':
main()
代码2:
#梯度上升优化算法
def bestgetgredAscent(x, y, num):
n,m = shape(x)
w = ones(m)
for j in range(num):
dataIndex = range(n)
for i in range(n):
a = 4/(1.0+j+i)+0.0001
randIndx = int(np.random.uniform(0, len(dataIndex)))
h = sigmoid(sum(x[randIndx]*w))
loss = y[randIndx] - h
w = w + np.dot(x[randIndx], a*loss)
del(dataIndex[randIndx])
return w