目录
一.Logistic算法简述
1.算法内容
Logistic回归是一种广泛使用的统计方法,用于分析一个或多个自变量(预测变量)与一个二分类因变量(响应变量)之间的关系。它是广义线性模型的一种形式,特别适用于研究事件发生的概率(如是/否、成功/失败、健康/病态等)。
2.算法特点
-
输出变量:Logistic回归主要处理因变量为二分类的情况,即因变量的结果只有两种可能的状态,例如0和1,通常表示为“失败”和“成功”。
-
概率估计:Logistic回归不直接预测事件的发生与否,而是预测事件发生的概率。这个概率是通过逻辑函数(logistic function),也称为sigmoid函数,来计算的。
-
Sigmoid函数:Sigmoid函数是一个S形的曲线,可以将任意实数值映射到(0, 1)区间内,用于表示概率。在Logistic回归中,这个函数的数学表达式为:
P(Y=1) = e^(b0 + b1X1 + ... + bnXn) / (1 + e^(b0 + b1X1 + ... + bnXn))
其中,P(Y=1)表示因变量为1的概率,X1...Xn表示自变量,b0是截距项,b1...bn是与自变量相对应的系数。
-
估计系数:Logistic回归通过最大似然估计(MLE)来估计模型参数,即寻找一组参数,使得观测到的样本数据出现的概率最大
-
多分类问题:虽然标准的Logistic回归是针对二分类问题设计的,但它可以通过某些技术(如一对多或多项Logistic回归)来扩展到多分类问题。
二.Logistic算法原理与内容
1.线性模型与回归
在二维平面上,线性模型一般是这样的形式来出现,但是在实际情况中,输入的样本一般都会有不止一个特征,因此一般情况下的线性模型如下:
f(x)=w1x1+w2x2+...+wdxd+b
我们以向量形式表示就是:
2.逻辑函数(sigmoid函数)
预测与输出标记:
寻找函数将分类标记与线性回归模型输出联系起来。
3.Logistic回归:极大似然法
最大似然估计就是通过已知结果去反推最大概率导致该结果的参数。
Logistic回归使用最大似然估计来确定模型参数( b_0, b_1, ..., b_n )的值。最大似然估计的目标是找到一组参数,使得观察到的样本数据发生的概率最大化。具体来说,就是要最大化似然函数:
L(b0,b1,...,bn)=i=1∏m[P(Y=1∣X)]yi[1−P(Y=1∣X)]1−yi
其中,( m ) 是样本数量,( y_i ) 是第i个样本的因变量值。
三.Logistic实战
代码部分
1.导入相关库
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score
2.加载数据
data = pd.read_csv('data.csv')
3.数据预处理:在训练模型之前,我们需要对数据进行一些预处理。
X = data.drop('target', axis=1)
y = data['target']
4.划分训练集和测试集:接下来,我们将数据划分为训练集和测试集。我们将使用70%的数据进行训练,30%的数据进行测试。
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
5.创建和训练模型:现在我们可以创建逻辑回归模型,并用训练数据对其进行训练。
model = LogisticRegression()
model.fit(X_train, y_train)
6.模型预测:模型训练完成后,我们可以用它来预测测试数据。
y_pred = model.predict(X_test)
7.评估模型:最后,我们需要评估模型的性能。在二元分类问题中,常用的评估指标包括准确率、精确率、召回率和F1分数等。这里我们计算并打印模型的准确率。
print('Accuracy: ', accuracy_score(y_test, y_pred))
测试结果:
四.实验小结
遇到的问题及解决方案:
- 在实验过程中,初次实现梯度下降时遇到了收敛速度慢的问题。通过调整学习率和增加迭代次数,最终使模型收敛。
- 遇到了类别不平衡的问题,这会影响模型的泛化能力。通过采样技术(如过采样少数类或欠采样多数类)改善了数据的平衡性。
结论:
逻辑回归是一个强大而简单的线性分类器,通过实验发现它在处理二分类问题上具有良好的性能。然而,模型的成功度很大程度上取决于数据预处理和特征工程的质量。适当的参数调整和正则化也是防止过拟合和提高模型性能的关键。在未来的工作中,可以探索更多的数据和特征工程技术,以进一步提升模型的预测能力。此外,对于非线性可分的数据,可以考虑使用核技巧或者转向更复杂的模型,如支持向量机(SVM)或神经网络。