逻辑回归原理及代码

永胜永胜

已于 2023-12-15 18:46:33 修改

阅读量966

点赞数 20

分类专栏：机器学习文章标签：逻辑回归算法机器学习

于 2023-12-14 10:29:25 首次发布

本文链接：https://blog.csdn.net/qq236237606/article/details/134988732

版权

机器学习专栏收录该内容

8 篇文章 1 订阅

订阅专栏

本文详细介绍了逻辑回归的基本概念、理论推导过程，包括问题转化、线性模型与Sigmoid函数结合、极大似然估计和正则化方法，以及使用梯度下降和牛顿法求解参数。还提供了Python代码示例，展示了如何在实际中应用逻辑回归进行二分类问题的处理。

摘要由CSDN通过智能技术生成

一、简介

逻辑回归是线性分类器（线性模型）—— 主要用于二分类问题

二、理论推导

1、问题描述和转化

一个二分类问题给的条件：
分类标签Y {0，1}，特征自变量X{x1，x2，……，xn}
如何根据我们现在手头上有的特征X来判别它应该是属于哪个类别（0还是1）

问题的求解转化为：
我们如何找一个模型，即一个关于X的函数来得出分类结果（0或1）

2、初步思路：找一个线性模型来由X预测Y

在这里插入图片描述
但是很明显，这样的函数图像是类似一条斜线，难以达到我们想要的（0或1）的取值
所以我们引入了一个特殊的函数：

3、Sigmoid函数（逻辑函数）

在这里插入图片描述

由图像可见，这样我们就能很好的分类（0或1）

4、刚刚的线性模型与Sigmoid函数合体

第一步：在这里插入图片描述
第二步： [图片]
这样我们就把取值控制在了0或1上，初步达成了我们的目标。

5、条件概率

我们令在这里插入图片描述，则可得

若我们将y视为样本x作为正例的概率，那么1-y则为样本x作为反例的概率，二者的比值为在这里插入图片描述

因此在这里插入图片描述被称为对数几率。

因此有：在这里插入图片描述

所以推出了：
在这里插入图片描述

在这里插入图片描述

6、极大似然估计

思想：如果一个事件发生了，那么发生这个事件的概率就是最大的。对于样本i，其类别为在这里插入图片描述。对于样本i，可以把h(Xi)看成是一种概率。yi对应是1时，概率是h(Xi)（即Xi属于1的概率，即上面的p(Y=1|X)）；yi对应是0时，概率是1-h(Xi)（Xi属于0的概率，即上面的p(Y=0|X)）。

即有：在这里插入图片描述

其中i是从0到k（k：属于类别1的个数）,i从k+1到n（属于类别0的个数为n-k）。由于y是标签0或

1，所以上面的式子也可以写成：在这里插入图片描述

对它取对数，并且除以样本总数n（减少梯度爆炸出现的概率），再乘以负1（将求最大值问题转化为求最小值问题，即转化为求下式的最小值）：

在这里插入图片描述

化简得：

在这里插入图片描述

接下来的任务就是求解当上式最小时的w

7、求最小值时的w的两种方法

方法一：梯度下降法（一阶收敛）
通过 J(w) 对 w 的一阶导数来找下降方向，并以迭代的方式来更新参数
在这里插入图片描述
(这里的k代表的是第k次迭代；是我们设定的学习率；就是我们上面所说的）

停止迭代的条件可以是：
（1）到达最大迭代次数
（2）到达规定的误差精度，即小于等于我们设定的阈值

方法二：牛顿法（二阶收敛）
思想：在现有极小值点的估计值的附近对 f(x) 做二阶泰勒展开，进而找到极小值点的下一个估计值。

牛顿法因为是二阶收敛，所以收敛速度很快，但是逆计算很复杂，代价比较大，计算量恐怖
梯度下降法：越接近最优值时，步长应该不断减小，否则会在最优值附近来回震荡，计算相对来说会简单一些。

三、正则化

正则化的意义：避免过拟合。
模型如果很复杂，变量值稍微变动一下，就会引起预测精度的问题。正则化可以避免过拟合的原因就是它降低了特征的权重，使得模型更简单。

主要思想：保留所有的特征变量，因为我们不太清楚要舍掉哪个特征变量，并且又想尽可能保留信息。所以我们只能是惩罚所有变量，让每个特征变量对结果的影响值变小，这样的话你拟合出来的模型才会更光滑更简单，从而减少过拟合的可能性。

1、L1正则化
即损失函数再加一项正则化系数乘上L1正则化表达式
（决定惩罚力度，过高可能会欠拟合，过小无法解决过拟合）
作用：L1正则化有特征筛选的作用，对所有参数的惩罚力度都一样，可以让一部分权重变为零（降维），因此产生稀疏模型，能够去除某些特征（权重为0则等效于去除）

2、L2正则化
即损失函数再加一项正则化系数乘上L2正则化表达式
作用：使各个维度权重普遍变小，减少了权重的固定比例，使权重平滑

四、代码

import matplotlib.pyplot as plt
import numpy as np
 
 
# 进行归一化
def normalization(Data1, Data2, Data3):
    # 要对全部的X坐标单独归一化，全部的Y坐标同理
    Data_x = np.concatenate((Data1[:, 0], Data2[:, 0], Data3[:, 0]))
    Data_y = np.concatenate((Data1[:, 1], Data2[:, 1], Data3[:, 1]))
    # 参照Matlab的mapminmax函数进行归一化
    Data_x = (Data_x - np.min(Data_x)) / (np.max(Data_x) - np.min(Data_x))
    Data_y = (Data_y - np.min(Data_y)) / (np.max(Data_y) - np.min(Data_y))
    Data_x = np.expand_dims(Data_x, 1)
    Data_y = np.expand_dims(Data_y, 1)
 
    Data1 = np.concatenate((Data_x[:5], Data_y[:5]), 1)
    Data2 = np.concatenate((Data_x[5:10], Data_y[5:10]), 1)
    Data3 = np.concatenate((Data_x[10:], Data_y[10:]), 1)
    return Data1, Data2, Data3
 
 
if __name__ == "__main__":
    # 定义数据集
    class_1_o = np.array([[220, 90], [240, 95], [220, 95], [180, 95], [140, 90]], dtype=np.float)
    class_2_o = np.array([[80, 85], [85, 80], [85, 85], [82, 80], [78, 80]], dtype=np.float)
    Test_Data_o = np.array([[180, 90], [210, 90], [140, 90], [90, 80], [78, 80]], dtype=np.float)
    Class_1, Class_2, Test_Data = normalization(class_1_o, class_2_o, Test_Data_o)
    # 开始绘图
    plt.figure()
    plt.plot(Class_1[:, 0], Class_1[:, 1], 'r*', label='Class_1')
    plt.plot(Class_2[:, 0], Class_2[:, 1], 'b*', label='Class_2')
    plt.plot(Test_Data[:, 0], Test_Data[:, 1], 'gs', label='Test_Data')
    plt.legend(loc='best')
    # 定义训练参数
    Train_Data = np.concatenate((Class_1, Class_2), axis=0)
    Y = np.array([[1, 1, 1, 1, 1, 0, 0, 0, 0, 0]], dtype=np.float)
    c = Train_Data.shape
    # w = np.random.randn(3, 1)
    w = np.array([[1], [1]], dtype=np.float)  # 使用[1;1;1]方便与C++的运行结果比对（因为C++无法使用matlpotlib绘图）
    b = np.array([1])
    a = 0.01
    epoch = 0
    # 开始训练
    while True:
        epoch = epoch + 1
        for i in range(0, c[0]):  # 遍历训练集
            fx = np.matmul(w.T, Train_Data[i, :].T) + b  # matmul为矩阵乘法（线代知识）
            gz = 1 / (1 + np.exp(-fx))
            # 开始梯度下降
            w[0] = w[0] - a * Train_Data[i, 0] * (gz[0] - Y[0, i])
            w[1] = w[1] - a * Train_Data[i, 1] * (gz[0] - Y[0, i])
            b = b - a * (gz[0] - Y[0, i])
        # 判断何时停止训练
        fx = np.matmul(w.T, Train_Data.T) + b
        gz = 1 / (1 + np.exp(-fx))
        Loss = (np.matmul(-Y, np.log(gz).T) - np.matmul((1-Y), np.log(1 - gz).T)) / c[0]
        if Loss <= 0.3:
            break
    print(w)
    # 绘制分类线
    xlist = np.linspace(-0.5, 1.5, 100)
    ylist = np.linspace(-0.5, 1.5, 100)
    x, y = np.meshgrid(xlist, ylist)  # 计算圆所在区域的网格
    f = w[0] * x + w[1] * y + b < 0
    plt.contourf(x, y, f, cmap="cool")
    plt.show()
    print('w的值为\n{}\n，b的值为\n{}'.format(w, b))