pytorch练习3 实现逻辑斯特回归模型

 

在线性变换的基础上对y进行sigmoid()函数变换，将值映射到0-1的区间，此时y_hat是为1的概率

用BCEloss去进行梯度下降优化。基本和线性回归差不多，只不过变成了分类模型。

import torch
import numpy as np
import matplotlib.pyplot as plt

x_data = torch.Tensor([[1.0], [2.0], [3.0]])
y_data = torch.Tensor([[0], [0], [1]])

class LogisticRegressionModel(torch.nn.Module):
    def __init__(self):
        super().__init__()
        self.linear=torch.nn.Linear(1,1)

    def forward(self,x):
        y_pred=torch.sigmoid(self.linear(x))
        return y_pred

model=LogisticRegressionModel()

criterition=torch.nn.BCELoss(reduction='sum')
optimizer=torch.optim.SGD(model.parameters(),lr=0.01)

for epoch in range(1000):
    y_pred=model(x_data)
    loss=criterition(y_pred,y_data)
    print(epoch,loss.item())

    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

x_test=torch.Tensor([[4]])
y_test=model(x_test)
print('y_test=',y_test.item())


#画图代码
x=np.linspace(0,10,200)
x_t=torch.Tensor(x).view((200,1))
y_t=model(x_t)
y=y_t.data.numpy()
plt.plot(x,y)
plt.plot([0,10],[0.5,0.5],c='r')
plt.xlabel('Hours')
plt.ylabel('Probility of pass')
plt.grid()
plt.show()

得到的概率图如下，在x=2.5的时候通过的概率为0.5