主要内容
● Sigmoid函数和Logistoc回归分类器
● 最优化理论初步
● 梯度下降最优化算法
● 数据中的缺失项处理
我们将介绍最优化算法,并利用他们训练出一个非线性函数用于分类。
利用Logistic回归的主要思想是:根据现有的数据对分类边界线建立回归公式,以此进行分类。
“回归”一词源于最佳拟合,表示要找到最佳拟合参数,使用的是最优化算法。
Logistic回归一般过程:
1. 收集数据:采用任意方法收集数据
2. 准备数据:由于需要进行距离计算,因此要求数据类型为数值型,另外,结构化数据为最佳。
3. 分析数据:采用任意方法对于数据进行分析
4. 训练算法:大部分时间将用于训练,并将其转换为对应的结构化数据
5. 测试算法:一旦训练步骤完成,分类将会很快;
6. 使用算法:第一,我们需要输入一些数据,并将其转换为对应的结构化数值;第二,基于训练好的回归系数就可以对这些数值进行简单的回归计算,判断他们属于哪个类别,在这之后,我们就可以输出的类别上做一些其他分析工作。
5.1 基于logistic回归和sigmoid函数的分类
logistic回归:
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。
适用数据类型:数值型和标称型数据。
下面进入数学理论部分:
我们想要的是能接受所有的输入然后预测出类别。该函数被称之为 海维塞德阶跃迁函数 或者 单位跃迁函数。
有一个有类似于可以输出0或者1这种性质的函数,就是Sigmoid函数。
Sigmoid计算公式如下:
下图给出了Sigmoid函数在不同坐标尺下的曲线图,当x为0时,Sigmoid函数值为0.5 ,随着x增大,Sigmoid函数的值无限接近于1,随着x的减小,Sigmoid函数的值无限接近于0 。 实际上,Sigmoid函数看起来像一个阶跃函数。
因此,为了实现 Logistic回归分类器,我们可以在每个特征上都乘以一个回归系数,然后把所有的结果值相加,将这个总和代入Sigmoid函数 ,进而得到一个范围在0~1之间的数值。所有大于0.5的数据被分入1类,所有小于0.5的被分入0类。实际上,Logistic回归也可以被看做是一种概率估计。
确定了分类器的函数形式之后,问题就变成了:最佳回归系数为多少?如何确定大小?
5.2 基于最优化方法的最佳回归系数确定
Sigmoid函数的输入记为z,公式如下:
其中x是分类器的输入数据,向量w是我们要找的最佳参数。
为了寻找最佳参数,我们介绍一下梯度上升的最优化方法。我们将使用梯度上升的最优化方法来寻找最佳参数。
5.2.1 梯度上升法
梯度上升法基本思想:要找到某函数的最大值,最好的方法就是沿着该函数的梯度方向探寻。如果梯度为 ▽ ,则函数f(x,y)的梯度如下表示:
梯度要沿着x的方向移动 (∂f(x+y))/∂x
梯度要沿着y的方向移动 (∂f(x+y))/∂y
梯度上升算法的迭代公式:
w: = w + α▽f(w)
5.2.2 训练算法:使用梯度上升找到最佳参数
图5-3 有100个样本点:每个点包含两个数值型特征:X1和X2.。我们将通过使用梯度上升法找到最佳回归系数,也就是拟合出 Logistic回归 模型的最佳参数。
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
下面的代码是梯度上升算法的具体实现,创建名为 logRegres.py的文件,输入代码:
程序5-1 Logistic回归梯度上升最优化算法
import math
from numpy import *
def loadDataSet():
dataMat = []; labelMat = []
fr = open(r'E:\ML\ML_source_code\mlia\Ch05\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):
#调用numpy函数可以将数组转行为矩阵数据类型
dataMatrix = mat(dataMatIn)
#将矩阵转置
labelMat = mat(classLabels).transpose()
#看一下dataMatrix的大小,3*100的矩阵
m,n = shape(dataMatrix)
#目标移动步长
alpha = 0.01
#迭代次数
maxCycles =500
#n已经赋值为3
weights = ones((n,1))
for k in range(maxCycles):
h = sigmoid(dataMatrix*weights)
error = (labelMat - h)
weights = weights + alpha * dataMatrix.transpose() * error
return weights
接下来测试代码,载入这个包
In [1]: import os
In [2]: os.chdir('E:\ML\ML_IA\Logistic')
In [3]: import logRegres
In [4]: import logRegres
In [5]: reload(logRegres)
Out[5]: <module 'logRegres' from 'logRegres.py'>
In [6]: a,b= logRegres.loadDataSet()
In [40]: logRegres.gradAscent(a,b)
Out[40]:
matrix([[ 4.12414349],
[ 0.48007329],
[-0.6168482 ]])
5.3.2 分析数据:画出决策边界
上面解出的回归系数,确定了不同类别数据之间的分割线。那么如何画出分割线呢?
程序5-2 画出数据集和Logistic 回归最佳拟合直线的曲线
import matplotlib.pyplot as plt
def plotBestFit(weights):
dataMat,labelMat = loadDataSet()
dataArr = array(dataMat)
n = shape(dataArr)[0]
xcord1 = [] ; ycord1 = []
xcord2 = [] ; ycord2 = []
for i in range(n):
if int(labelMat[i]) == i:
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)
#最佳拟合曲线
y = (-weights[0] - weights[1]*x)/weights[2]
ax.plot(x,y)
plt.xlabel('X1');plt.ylabel('X2');
plt.show()
我们最终需要解出X1和X2之间的关系式,运行代码,
In [24]: import logRegres
In [25]: reload(logRegres)
Out[25]: <module 'logRegres' from 'logRegres.py'>
In [26]: a,b = logRegres.loadDataSet()
In [27]: logRegres.gradAscent(a,b)
Out[27]:
matrix([[ 4.12414349],
[ 0.48007329],
[-0.6168482 ]])
In [28]: weights = logRegres.gradAscent(a,b)
In [29]: logRegres.plotBestFit(weights.getA())
梯度上升算法在500次迭代后得到的Logistic回归最佳拟合曲线
最终图上看上去是错分了2个点。
尽管例子比较简单,但是却需要大量的计算。后面我们将对算法作以改进。
5.2.4 训练算法:随机梯度上升
梯度上升算法在每次更新回归系数时都需要去遍历整个数据集,该方法在处理100个左右的数据集时速度可以,如果去处理数亿或者几千万的特征,这个方法的复杂度就太高了。
我们改进的方法就是一次仅用一个样本点来更新回归系数,这个方法叫做随机梯度上升算法。
由于可以在新样本到来时对分类器进行增量式更新,因而随机梯度上升算法是一个在线学习算法。与“在线学习”相对应,一次处理的所有数据被称之为“批处理”。
随机梯度上升算法可以写成如下的伪代码:
虽有的回归系数初始都为1
对数据集中每个样本
计算该样本的梯度
使用alpha*gradient更新回归系数值
返回归系数数值
程序5-3 随机梯度上升算法
# 随机梯度上升算法
def stocGradAscent0(dataMatrix,classLabels):
m,n = shape(dataMatrix)
alpha = 0.01
weights = ones(n)
for i in range(m):
h = sigmoid(sum(dataMatrix[i]*weights))
error = classLabels[i] - h
weights = weights + alpha * error * dataMatrix[i]
return weights
随机梯度算法与梯度上升算法有一定的区别:
1.后者的h和误差error都是向量,而前者则是数值;
2.前者没有矩阵的转换过程,所有变量的数据类型都是Numpy数组。
In [38]: import logRegres
In [39]: reload(logRegres)
Out[39]: <module 'logRegres' from 'logRegres.pyc'>
In [40]: a,b = logRegres.loadDataSet()
In [41]: weights = logRegres.stocGradAscent1(array(a),b)
In [42]: weights
Out[42]: array([ 1.01702007, 0.85914348, -0.36579921])
In [43]: logRegres.plotBestFit(weights)
随机梯度上升算法在上述数据集上执行结果,最佳拟合直线并非最佳分类线
本次运行后的曲线如果与上面的图进行比较,其实不如上面的完美。那么主要是因为上面的图迭代了500次。
因为数据波动或者高频波动,且收敛速度较慢,所以我们需要对算法改进。
值得注意的是:主要做了三个方面的改进:
1. alpha在每次迭代的时候都会调整,这会缓解数据波动或者高频波动。
2. 通过随机选取样本来更新回归系数,这样可以减少周期性波动
3. 增加了一个迭代参数作为第三个参数,算法将按照给的新的参数值进行迭代
程序5-4 改进的随机梯度算法
# 改进的随机梯度算法
def stocGradAscent1(dataMatrix,classLabels,numIter=150):
m,n = shape(dataMatrix)
weights = ones(n)
"""
i 是样本点的下标,j 是迭代次数
"""
for j in range(numIter):
dataIndex = range(m)
for i in range(m):
alpha = 4/(1.0 + j + i) + 0.01 #alpha每次迭代时需要调整
randIndex = int(random.uniform(0,len(dataIndex)))
h = sigmoid(sum(dataMatrix[randIndex]*weights))
error = classLabels[randIndex] - h
weights = weights + alpha *error * dataMatrix[randIndex]
del(dataIndex[randIndex])
return weights
下面所用的计算量更少:
In [43]: reload(logRegres)
Out[43]: <module 'logRegres' from 'logRegres.pyc'>
In [44]: a,b = logRegres.loadDataSet()
In [45]: weights = logRegres.stocGradAscent1(array(a),b)
In [46]: logRegres.plotBestFit(weights)
5.3 例子:疝气病症预测病马的死亡率
我们将使用logistics回归来预测患有疝病的马的存活问题。该数据有部分指标主观和难以测量,而且存在30%的缺失值。
步骤:
1.收集数据:给定数据文件;
2.准备数据:用python解析文本文件并填充缺失值;
3.分析数据:可视化并观察数据;
4.训练算法:使用最优化算法,得到最佳的系数;
5.测试算法:为了量化回归的效果,我们需要观察错误率。再去根据错误率判断,我们是否需要回退到训练阶段,通过改变迭代的次数和步长等参数来得到更好的回归系数;
6.使用算法:实现一个简单的命令行程序来手机马的症状并输出预测结果。
5.3.1 准备数据:处理数据中的缺失数据
数据的缺失值处理是一个非常棘手的问题,有时候复杂业务环境下数据相当昂贵,我们不能简单的去丢弃掉,或者重新获取。
方法:
● 使用可用特征的均值来填补缺失值 ;
● 使用特殊值来填补缺失值,如-1 ;
● 忽略有缺失值的样本;
● 使用相似的样本的均值添补缺失值;
● 使用另外的机器学习算法来预测缺失值;
我们现在要对要用的数据集做预处理。
1.所有的缺失值必须使用一个实数值来替换,因为我们使用numpy数据类型不允许包含缺失值,这里选择实数0来替换所有的缺失值,恰好使用会回归。这样做是因为需要一个在更新的时候不会影响系数的值。
回归系数更新公式如下:
weights = weights + alpha error dataMatrix[randIndex]
2.如果数据集中类别标签已经缺失,那么就丢弃。
5.3.2 测试算法:用logistic回归进行分类
程序清单5-5 logistic 回归分类函数
# 疝气病预测兵马死亡率:Logistic回归分类器
def classifyVector(inX,weights):
"""
回归系数 :inX
特征向量 :weights
"""
prob = sigmoid(sum(inX*weights))
if prob > 0.5:
return 1.0
else:
return 0.0
def colicTest():
frTrain = open(tem_dir + "\\" + "horseColicTraining.txt")
frTest = open(tem_dir + "\\" + "horseColicTest.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]))
#stocGradAscent1计算回归系数
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)) != int(currLine[21]):
errorCount += 1
errorRate = (float(errorCount)/numTestVec)
print "the error rate of this test is: %f" %errorRate
return errorRate
def multiTest():
numTests = 10;errorSum = 0.0
for k in range(numTests):
errorSum += colicTest()
print "after %d iterations the average error rate is:%f"
% (numTests,errorSum/float(numTests))
测试代码,结果如下:
In [46]: reload(logRegres)
Out[46]: <module 'logRegres' from 'logRegres.py'>
In [47]: logRegres.multiTest()
the error rate of this test is: 0.313433
the error rate of this test is: 0.313433
the error rate of this test is: 0.313433
the error rate of this test is: 0.283582
the error rate of this test is: 0.417910
the error rate of this test is: 0.328358
the error rate of this test is: 0.462687
the error rate of this test is: 0.313433
the error rate of this test is: 0.358209
the error rate of this test is: 0.388060
after 10 iterations the average error rate is:0.349254
10次迭代之后的结果是34.9% 。因为数据本身就有30%的缺失,得到的错误率结果并不差。
如果手动去调整 colicTest() 函数中的迭代次数和 stocGradAscent1() 中的步长,那么最终的平均错误率就在20%左右。
5.4 小结
Logistic 回归的目的是寻找一个非线性函数sigmoid的最佳拟合参数。求解过程可以由最优化算法来完成。在最优化的算法中,最常用的就是梯度上升算法,梯度上升算法又可以简化为随机梯度上升算法。
随机梯度上升算法和梯度上升算法的效果相当,但占用更少的计算资源。此外,随机梯度是一种在线算法,可以在数据到来时就完成参数的更新,而不需要重新读取整个数据集来进行批处理运算。
机器学习的一个重要的问题就是如何处理缺失数据,这个问题没有标准答案,取决于实际的需求。