机器学习实战之Logistic回归

Logistic回归是一种经典的分类算法，主要用于解决二分类问题。该算法通过构建Logistic函数将输入特征映射到预测结果的概率上，从而实现分类。具体来说，Logistic函数会将输入特征线性组合后的结果通过一个sigmoid函数转换为0-1之间的概率值，其中0.5作为分类的阈值，大于0.5则为正类，小于0.5则为负类。

数据集

 数据集包含,两个特征，第三列为标签值。

具体代码实现

读取数据集，并添加将值设置为1.0，把特征和标签分割为dataMat和labelMat。

def loadDataSet():
    dataMat = []; labelMat = []
    fr = open('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

sigmoid函数的输入可以是任意实数，而输出值范围为0到1之间，因此通常被用于二分类问题。它的图像可以形象地描述为一条"S"型曲线。

 

 

def sigmoid(inX):
    return 1.0/(1+exp(-inX))

from numpy import*
def gradAscent(dataMatin,classLabels):
    dataMatrix = mat(dataMatin)
    labelMat = mat(classLabels).transpose()
    m,n = shape(dataMatrix)
    alpha = 0.001
    maxCycles = 500
    weights = ones((n,1))
    for k in range(maxCycles):
        h = sigmoid(dataMatrix*weights)
        error = (labelMat-h)
        weights = weights + alpha * dataMatrix.transpose() * error
    return weights

采用梯度上升法计算w值。计算的三个w值如图：

 

 绘制直线来完成分类可视化展示，轴表示，当=时可以求得和的关系式。

def plotBestFit(wei):
    import matplotlib.pyplot as plt
    weights = wei.getA()
    dataMat,labelMat = loadDataSet()
    dataArr = array(dataMat)
    n = shape(dataArr)[0]
    xcord1 = []; ycord1 = [];
    xcord2 = []; ycord2 = [];
    for i in range(n):
        if int(labelMat[i])==1:
            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)
    y = (-weights[0]-weights[1]*x)/weights[2]
    ax.plot(x,y)
    plt.xlabel('X1');plt.ylabel('X2')
    plt.show()

最终分类结果如下 

改进的梯度上升法

梯度上升算法在每次更新回归系数时需要遍历整个数据集，如果数据集过大，那么该方法的计算量就太大了。一种改进方法是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。

def stocGradAscent(dataMatrix,classLabels,numIter=150):
    m,n = shape(dataMatrix)
    weights = ones(n)
    for j in range(numIter): 
        dataIndex = list(range(m))
        for i in range(m):
            alpha = 4/(1.0+i+j)+0.01
            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

步长alpha会随着迭代次数的增加不断减小，并使用random函数随机选出一个值，然后删掉该值再进行下一次迭代。

最终分类结果如下，仅需更少的计算量就能达到与之前算法差不多的效果。