逻辑回归算法

算法篇

逻辑回归算法

逻辑回归算法属于有监督学习算法中的分类算法，因为逻辑运算只会出现True或False，所以逻辑回归只能做二分类问题。
逻辑回归算法是将线性回归的运算结果放入sigmoid函数中，得出一个(0,1)之间的数，大于0.5就属于类1，小于0.5就属于类0

sigmoid函数的公式和图像如下所示：


逻辑回归的结果是通过线性回归计算出来的，线性回归质量的好坏会直接影响逻辑回归的结果，影响线性回归的就是回归系数。对于线性回归来说是使用随机梯度下降的方法计算的，也就是最小二乘法来计算回归系数的。对于逻辑回归也是使用随机梯度下降的方法，只不过把损失函数变成了对数似然损失函数，因为对数似然损失函数中的h(x)等于sigmoid函数，而sigmoid函数中的x就等于线性回归的结果h(w)，也就是变相在计算最佳回归系数。

逻辑回归使用对数似然损失函数来衡量真实结果与预测结果的误差
在对数似然损失函数中通常是以e为底的
对数似然损失函数公式：

使用对数似然损失函数计算最佳回归系数的步骤：

1. 随机初始化一组$[w0,w1,w2,w3.......wn]$
2. 根据初始化$w$和特征值，计算出预测结果sigmoid函数S(x)
3. 利用对数似然损失函数，计算真实值与预测值之间的误差和Loss
4. 计算误差关于$w$的偏导($w同\theta$)
   
5. 沿着梯度的负方向进行更新$w$($w同\theta$)
   
   lr表示的是学习率，lr是小于零的数，意思就是当求出的偏导太大时，减去一个很大的值很容易跳过导数等于0的点，所以要用学习率来控制它梯度下降的幅度。
6. 重复2-5步骤，直到达到一定的迭代次数或者损失小于某个值时停止。

代码实现

import numpy as np
from sklearn.linear_model import LogisticRegression
# 实例化
alg = LogisticRegression()
# 参数：max_iter:最大迭代次数

# 拟合
alg.fit(X_train, y_train)

# 查看准确率
score = alg.score(X_test, y_test)
print('准确率：', score)

# 查看回归系数
print('回归系数', alg.coef_)
# 查看截距
print('截距：', alg.intercept_)

# 查看sigmoid函数处理过后的概率
prob = 1/(1+np.exp(-alg.decision_function(X_test)))
prob = [float('%.2f'%i) for i in prob]
print('概率：', prob)

逻辑回归算法的特点

• 结果具有可解释性【根据线性方程公式可以明确得出结果是如何计算的】
• 只能是二分类
• 和朴素贝叶斯、knn相比，逻辑回归的效果更好，但是时间略慢