实现机器学习的循序渐进指南IV——逻辑回归

目录

介绍

逻辑回归模型

参数估计

优化算法

分类

结论与分析

---

可访问 实现机器学习的循序渐进指南系列汇总，获取本系列完成文章列表。 

介绍

逻辑回归是统计学习中的经典方法，它计算条件概率P(Y|X)并使用较大的标签作为预测。具体而言，二项逻辑回归模型是：

其中w和b是权重和偏见。为方便起见，展开权重向量和偏见向量，即

然后，二项逻辑回归模型是：

逻辑回归模型

逻辑回归模型由参数估计，优化算法和分类组成。

参数估计

在实现机器学习的循序渐进指南III——朴素贝叶斯中，我们使用最大似然函数来估计贝叶斯模型中的参数。同样，我们使用最大似然函数来估计逻辑回归模型中的参数。如下

其中：

g(x)也被称为sigmoid函数。似然函数是：

为方便起见，我们采用了似然函数的对数，即：

然后，问题转化为计算似然函数的最大值。

优化算法

因为，我们无法得到似然函数导数的解析解。为了获得似然函数的最大值，我们应用渐变上升方法，即：

计算似然函数的导数：

让导数等于零，我们可以得到：

因此，我们可以通过上面的等式得到优化的参数。梯度上升方法的代码如下所示：

if method == "GA":
weights = np.random.normal(0, 1, [feature_dim, 1])
for i in range(iterations):
    pred = self.sigmoid(np.dot(train_data, weights))
    errors = train_label - pred
    # update the weights
    weights = weights + alpha * np.dot(train_data.T, errors)
self.weights = weights
return self

分类

在逻辑回归模型中，应用sigmoid函数计算概率，表示为：

当结果大于时0.5，样本属于类1，否则它属于类0。

def sigmoid(self, x, derivative=False):
    output = 1/(1 + np.exp(-x))
    if derivative:
       output = output * (1 - output)
    return output

结论与分析

为了获得逻辑回归模型的参数，我们还可以最小化损失函数。最后，让我们将逻辑回归与Sklearn进行比较，检测性能如下所示：

两者的检测性能相似。

可以在MachineLearning中找到本文中的相关代码和数据集。

有兴趣的小伙伴可以查看上一篇或者下一篇。

 

原文地址：https://www.codeproject.com/Articles/4061324/Step-by-Step-Guide-to-Implement-Machine-Learning-4