5、Logistic回归

最新推荐文章于 2022-10-30 15:00:34 发布

碳水大炸弹

最新推荐文章于 2022-10-30 15:00:34 发布

阅读量124

点赞数

分类专栏： Pytorch深度学习实践文章标签：回归机器学习算法

本文链接：https://blog.csdn.net/pulana_/article/details/127565470

版权

Pytorch深度学习实践专栏收录该内容

11 篇文章 1 订阅

订阅专栏

（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：