Logistic回归
Logistic回归的一般过程
- 收集数据:采用任意方法收集数据。
- 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,结构化数据格式则最佳。
- 分析数据:采用任意方法对数据进行分析。
- 训练算法:大部分时间将用于训练,训练的目的是为了找到最佳的分类回归系数。
- 测试算法:一旦训练步骤完成,分类就会很快。
- 使用算法:首先,我们输入一些数据,并将其转换成对应的结构化数值;接着,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,
判定他们属于哪个类别;在这之后,我们就可以在输出的类别上做一些其他分析工作。
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。
- 使用数据类型:数值型和标称型数据。
Logistic回归函数
σ
(
z
)
=
1
1
+
e
−
z
\sigma(z)=\frac{1}{1+e^{-z}}
σ(z)=1+e−z1
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,然后所有的结果值相加,将这个总和带入Sigmoid函数中,得到0~1之间的数值。
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,由下面公式得出:
z
=
w
0
x
0
+
w
1
x
1
+
.
.
.
+
w
n
x
n
z=w_0x_0 + w_1x_1 +...+ w_nx_n
z=w0x0+w1x1+...+wnxn,采用向量的写法,可以写为
z
=
W
T
X
z=W^TX
z=WTX。
其中向量X是分类器的输入数据,向量W就是我们要找到的最佳参数(系数)。
梯度上升法
梯度算法的思想:
要找到某函数的最大指,最好的方法是沿着该函数的梯度方向探寻。如果梯度记为
∇
\nabla
∇,则函数
f
(
x
,
y
)
f(x,y)
f(x,y)的梯度由下式表示:
∇
f
(
x
,
y
)
=
(
∂
f
(
x
,
y
)
∂
x
∂
f
(
x
,
y
)
∂
y
)
\nabla f(x,y)=\begin{pmatrix} \frac{\partial f(x,y)}{\partial x} \\ \frac{\partial f(x,y)}{\partial y} \end{pmatrix}
∇f(x,y)=(∂x∂f(x,y)∂y∂f(x,y))。
这个梯度意味着要沿
x
x
x的方向移动
∂
f
(
x
,
y
)
∂
x
\frac{\partial f(x,y)}{\partial x}
∂x∂f(x,y),沿
y
y
y的方向移动
∂
f
(
x
,
y
)
∂
y
\frac{\partial f(x,y)}{\partial y}
∂y∂f(x,y)。
其中函数
f
(
x
,
y
)
f(x,y)
f(x,y)必须要在待计算的点上有定义并且可微。
在梯度上升算法中,梯度算子总是指向函数值增长最快的方向。用向量来表示的话,梯度上升算法的迭代公式如下:
w
:
=
w
+
α
∇
w
f
(
w
)
w:=w+\alpha \nabla_w f(w)
w:=w+α∇wf(w),其中
α
\alpha
α称为步长。
该公式一直被迭代执行,直到达到某个停止条件为止,比如迭代次数达到某个指定值或算法达到某个可以允许的误差范围。
梯度下降法
最经常听到的应该是梯度下降算法,与梯度上升法一样,只是公式中的加法变为减法:
w
:
=
w
−
α
∇
w
f
(
w
)
w:=w-\alpha \nabla_w f(w)
w:=w−α∇wf(w)
梯度上升算法用来求函数的最大值,而梯度下降算法用来求函数的最小值。
训练算法:使用梯度上升找到最佳参数
梯度上升的伪代码如下:
- 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
# -*- coding: utf-8 -*-
import pandas as pd
import numpy as np
#Logistic回归梯度上升优化算法
fileDir = r'G:\MLinAction\MLiA_SourceCode\machinelearninginaction\Ch05'
#数据获取整理
def loadDataSet():
dataMat = []
labelMat = []
fr = open(fileDir+r'\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
#定义sigmoid函数
def sigmoid(inX):
return 1.0 / (1 + np.exp(-inX))
#gradient 梯度上升算法
def gradAscent(dataMatIn, classLabels):
dataMatrix = np.mat(dataMatIn) #将特征值的数据转换为numpy矩阵数据类型
labelMat = np.mat(classLabels).transpose() #将分类标签转换为numpy矩阵数据类型并进行转置为列形式
m, n = np.shape(dataMatrix) #特征值矩阵的行数和列数
alpha = 0.001 #步长
maxCycles = 500 #最大循环次数
weights = np.ones((n,1)) #回归系数初始化为1
for k in range(maxCycles):
h = sigmoid(dataMatrix * weights)
error = (labelMat - h) #根据weights获得的结果和真实标签值的差
weights = weights + alpha * dataMatrix.transpose() * error #迭代更新回归系数weights
return weights
#函数示例
dataArr,labelMat = loadDataSet()
#weights = gradAscent(dataArr, labelMat)
#画出数据集和Logistic回归最佳拟合直线的函数
def plotBestFit(weights):
import matplotlib.pyplot as plt
dataMat, labelMat = loadDataSet()
dataArr = np.array(dataMat)
n = np.shape(dataArr)[0]
xcord1 = []
ycord1 = []
xcord2 = []
ycord2 = []
for i in range(n):
if int(labelMat[i]) == 1:
xcord1.append(dataArr[i,1]) #将类别为1的第一个特征值赋给xcord1
ycord1.append(dataArr[i,2]) #将类别为1的第二个特征值赋给ycord1
else:
xcord2.append(dataArr[i,1]) #将类别不为1的第一个特征值赋给xcord2
ycord2.append(dataArr[i,2]) #将类别不为1的第二个特征值赋给ycord2
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 = np.arange(-3.0, 3.0, 0.1)
y = (-weights[0] - weights[1] * x) / weights[2] #最佳拟合直线,分界处为sigmoid函数=0.5,即0=WX,所以w0x0+w1x1+w2x2=0,从而解出x2作为最优直线
ax.plot(x, y)
plt.xlabel('X1')
plt.ylabel('X2')
plt.show()
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遍历整个数据集,导致计算复杂度就太高了。一种改进方法是一次仅用一个样本点来更新回归系数,该方法称为随机梯度上升算法。
随机梯度上升算法伪代码如下:
- 所有回归系数初始化为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
- 返回回归系数值
#随机梯度上升算法
def stocGradAscent0(dataMatrix, classLabels):
m, n = np.shape(dataMatrix)
alpha = 0.01
weights = np.ones(n)
for i in range(m):
h = sigmoid(np.sum(dataMatrix[i] * weights)) #一次用一个样本点来计算拟合值
error = classLabels[i] - h #得到当前拟合值和对应真实值的误差
weights = weights + alpha * error * dataMatrix[i] #一次用一个样本点的结果来计算更新回归系数
return weights
随机梯度上升算法的优化改进
由于存在一些不能正确分类的样本点(数据集并非线性可分),在每次迭代时会引发系数的剧烈改变,导致在大的波动停止后,还有一些小的周期性波动。
#改进的随机梯度上升算法
def stocGradAscent1(dataMatrix, classLabels, numIter=150):
m, n = np.shape(dataMatrix)
weights = np.ones(n)
for j in range(numIter):
dataIndex = list(range(m))
for i in range(m):
alpha = 4 / (1.0 + j + i) + 0.01 #alpha每次迭代时进行调整
randIndex = int(np.random.uniform(0, len(dataIndex))) #随机选取更新
h = sigmoid(sum(dataMatrix[randIndex] * weights))
error = classLabels[randIndex] - h
weights = weights + alpha * error * dataMatrix[randIndex]
del (dataIndex[randIndex])
return weights
示例:从疝气病症预测病马的死亡率
#利用回归系数计算逻辑回归结果
def classifyVector(inX, weights):
prob = sigmoid(np.sum(inX * weights))
if prob > 0.5:
return 1.0
else:
return 0.0
#训练数据&测试数据
def colicTest():
frTrain = open(fileDir + r'\horseColicTraining.txt')
frTest = open(fileDir + r'\horseColicTest.txt')
#训练数据得到回归系数
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]))
trainWeights = stocGradAscent1(np.array(trainingSet), trainingLabels, 500)
#用回归系数对测试数据进行预测,计算误差
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(np.array(lineArr), trainWeights)) != int(currLine[21]):
errorCount += 1
errorRate = (float(errorCount) / numTestVec)
print ("the error rate of this test is: %f" % errorRate)
return errorRate
#多次训练求平均误差
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))))