(1)Logistic回归解决分类问题,本文以二分类为例
(2)分类问题的概率之和为1,所以需要把实数空间的值映射到[0,1],映射函数:Logistic函数
(3)Logistic函数是sigmoid函数的一种,或者将其直接称为sigmoid函数,sigmoid满足以下条件:函数值有极限,都是单调增函数,满足是饱和函数。其他sigmoid函数如下图所示:
(4)Logistic回归模型
(5)二分类问题的损失函数如下,为了使分布尽可能接近真实值
(6)交叉熵损失函数CrossEntropy Loss(BCE)多用于分类问题中
(7)数据集x表示学习时间(单位:Hours),y表示是否可以通过考试,x=1,x=2时y=0,x=3时y=1,现推理x=4时是否可以通过考试,代码如下:
#Logistic回归做分类
import numpy as np
import torch
import torch.nn.functional as F
import numpy
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(LogisticRegressionModel, self).__init__()
self.linear = torch.nn.Linear(1, 1)
def forward(self, x):
y_pred = F.sigmoid(self.linear(x))
return y_pred
model = LogisticRegressionModel()
#size_average是否给每个批量求均值
criterion = torch.nn.BCELoss(size_average=False)
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)
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)
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('Probability of Pass')
plt.grid()
plt.show()
推理结果: