逻辑斯蒂回归
- 做的是分类的任务
逻辑斯蒂回归公式
σ
(
x
)
=
1
1
+
e
−
x
\sigma(x)=\frac{1}{1+e^{-x}}
σ(x)=1+e−x1
- 逻辑斯蒂函数∈[0,1],是
饱和函数
其他的饱和函数
具体过程
y ^ \widehat{y} y 部分
- 将原来的 y ^ \widehat{y} y 输入到逻辑斯蒂方程中,即 y ^ = 1 1 + e − ( x ∗ ω + b ) \widehat{y}=\frac{1}{1+e^{-(x*\omega+b)}} y =1+e−(x∗ω+b)1
loss部分
- 原来的是求数轴上的距离,希望距离越近越好,而现在是概率分布问题,希望我们模拟出来的概论分布尽可能接近实际的概率分布
- 求两个概论分布之间的相似度用
交叉熵(cross-entropy)
,即 ∑ x i P D 1 ( x i ) ln P D 2 ( x i ) \sum_{x_{i}}{P_D}_{1}(x_{i})\ln P_{D_{2}}(x_{i}) ∑xiPD1(xi)lnPD2(xi),越大说明分布约接近 - 此处用到的是二分情况下的交叉熵
BCELoss
: l o s s = − ( y log y ^ + ( 1 − y ) log ( 1 − y ^ ) ) loss=-(y\log\widehat{y}+(1-y)\log(1-\widehat{y})) loss=−(ylogy +(1−y)log(1−y )),这里加一个负号,转换为loss越小,分布越接近
获取minist数据集
import torchvision
# 下载数据集
train_set=torchvision.datasets.MNIST(root='./dataset/minist',train=True,download=True)
test_set=torchvision.datasets.MNIST(root='./dataset/minist',train=False,download=True)
其他数据集同理
引入逻辑斯蒂激活函数的代码
import matplotlib.pyplot as plt
import numpy as np
import torch
import torch.nn.functional as F #逻辑斯蒂激活函数sigmoid在nn(new network)的functional里
x_data = torch.tensor([[1.], [2.], [3.]])
y_data = torch.tensor([[0.], [0.], [1.]])
class LogisticRegressionModel(torch.nn.Module):
def __init__(self):
super(LogisticRegressionModel, self).__init__()
self.linear = torch.nn.Linear(1, 1) #Linear:线性层(全连接层)第一个参数为input_size,第二个参数为output_size
def forward(self, x):
y_pred = F.sigmoid(self.linear(x)) #sigmoid:逻辑斯蒂激活函数,把全连接函数的输出再输入这个激活函数里面,算得预测值
return y_pred
model = LogisticRegressionModel()
criterion = torch.nn.BCELoss(size_average=False) ##采用二分类交叉熵计算损失值
optimizer = torch.optim.Adam(model.parameters(), lr=0.01) #这里不再采用随机反向传播(SGD)而采用效率更高的Adam优化器,加快收敛
for epoch in range(1000):
y_pred = model(x_data)
loss = criterion(y_pred, y_data)
print(epoch, loss.item())
optimizer.zero_grad()
loss.backward()
optimizer.step()
x = np.linspace(0, 10, 200) #linspace(0,10,200)意思是从0开始到10,取分割点值并返回为array类型,要求分出200组
x_t = torch.Tensor(x).view((200, 1)) #view(200,1)表示把原矩阵重构为200行1列矩阵
y_t = model(x_t)
y = y_t.data.numpy() #Tensor.numpy()将Tensor转化为ndarray
plt.plot(x, y)
plt.plot([0, 10], [0.5, 0.5], c='r') #在x∈[0-10]的范围内,y=0.5处画一条红线
plt.xlabel('Hours')
plt.ylabel('Probability of Pass')
plt.grid(alpha=0.4)
plt.show()