一、Logistic回归:
回归:用一条直线对一些数据点进行拟合(这条直线为最佳拟合直线),这个拟合过程就叫做回归。
Logistic回归主要思想:根据现有数据对分类边界建立回归公式,以这个边界来分类。
sigmoid函数:S型的函数,单增,值域在0-1之间。
导数可以用自身表示:
sigmoid函数的输入记作:
x=w_0 x_0+w_1 x_1+w_2 x_2+…+w_n x_n
w是我们要找的最佳参数
向量写法:w^T x
二、找最优参数方法
梯度下降法:
梯度下降法是一个最优化算法,通常也叫最速下降法。最速下降法是用负梯度方向为搜索方向的,最速下降法越接近目标值,步长越小,前进越慢。
点(x0,y0)的具体梯度向量就是(∂f/∂x0, ∂f/∂y0)T.或者▽f(x0,y0),就是对x和y分别求导放在向量里。
1.梯度下降法找最佳参数过程:
1)每个回归系数初始化为1
2)重复R次:计算整个数据集的梯度、使用alpha*gradient更新回归系数
3)返回回归系数
但是梯度下降法更新参数的过程中每次迭代都要遍历整个数据集,数据量100个左右还好,如果上千万计算复杂度太高了。
所以可以选择随机梯度下降法。
2.随机梯度下降法找最佳参数过程:
1)每个回归系数初始化为1
2)对数据集每个样本:计算该样本的梯度、 使用alpha*gradient更新回归系数
3)返回回归系数
但是因为是每个样本顺序更新的,所以可能很快稳定在一定数值周围,然后来回波动(原因是存在不能正确分类的样本,数据集并非线性),我们希望减少波动,迅速收敛到某个值,并且加快收敛速度。
所以可以继续改进。
改进的随机梯度下降算法:
3.随机梯度下降法找最佳参数过程:
1)每个回归系数初始化为1
2)从数据集随机选一个样本(可以手动设置选择次数):计算该样本的梯度、使用alpha*gradient更新回归系数、更新完减小alpha的数值,不能小于0、删除该样本
3)返回回归系数
每次减少alpha可以缓解数据稳定后的波动,但alpha始终大于0,这样又可以保证每次迭代对参数有影响。
随机选取样本减少周期性波动。
三、分类方法
用梯度下降法找到最佳参数以后只需要把x=w_0 x_0+w_1 x_1+w_2 x_2+…+w_n x_n 的x带入sigmoid函数,如果结果大于0.5则为1类,小于0.5则为0类
机器学习实战主要代码
#coding=utf-8
from numpy import *
def loadDataSet():
dataMat=[]
labelMat=[]
fr=open('testSet.txt')
for line in fr.readlines():
lineArr=line.strip().split()
dataMat.append([1.0,float(lineArr[0]),float(lineArr[1])])#初始化特征矩阵
labelMat.append(int(lineArr[2]))#初始化标记矩阵
return dataMat,labelMat
def sigmoid(inX):
return 1.0/(1+exp(-inX))#计算sigmoid函数
def gradAscent(dataMatIn,classLabels):
#梯度上降法
dataMatrix=mat(dataMatIn)
labelMat=mat(classLabels).transpose()
m,n=shape(dataMatrix)
alpha=0.001
maxCycles=500
weights=ones((n,1))
for k in range(maxCycles):
h=sigmoid(dataMatrix*weights)
error=(labelMat-h)
weights=weights+alpha*dataMatrix.transpose()*error
return weights
def plotBestFit(weights):
import matplotlib.pyplot as plt
dataMat,labelMat=loadDataSet()
dataArr = array(dataMat)
n = shape(dataArr)[0]
xcord1 = []; ycord1 = []
xcord2 = []; ycord2 = []
for i in range(n):
if int(labelMat[i])== 1:
xcord1.append(dataArr[i,1]); ycord1.append(dataArr[i,2])
else:
xcord2.append(dataArr[i,1]); ycord2.append(dataArr[i,2])
fig = plt.figure()
ax = fig.add_subplot(111)
ax.scatter(xcord1, ycord1, s=30, c='red', marker='s')
ax.scatter(xcord2, ycord2, s=30, c='green')
x = arange(-3.0, 3.0, 0.1)
y = (-weights[0]-weights[1]*x)/weights[2]
ax.plot(x, y)
plt.xlabel('X1'); plt.ylabel('X2');
plt.show()
#随即梯度下降
def stocGradAscent0(dataMatrix,classLabels):
m,n=shape(dataMatrix)
alpha=0.01
weights=ones(n)
for i in range(m):
h=sigmoid(sum(dataMatrix[i]*weights))
error=classLabels[i]-h
weights=weights+alpha*error*dataMatrix[i]
return weights
#改进的随即梯度下降
def stocGradAscent1(dataMatrix,classLabels,numIter=150):
m,n=shape(dataMatrix)
weights=ones(n)
for j in range(numIter):
dataIndex=range(m)
#print dataIndex
for i in range(m):
alpha=4/(1.0+j+i)+0.01
randIndex=int(random.uniform(0,len(dataIndex)))
h=sigmoid(sum(dataMatrix[randIndex]*weights))
error=classLabels[randIndex]-h
weights=weights+alpha*error*dataMatrix[randIndex]
del(dataIndex[randIndex])
return weights
#5.3.2
def classifyVector(inX, weights):
prob = sigmoid(sum(inX*weights))
if prob > 0.5:
return 1.0
else:
return 0.0
def colicTest():
frTrain = open('horseColicTraining.txt'); frTest = open('horseColicTest.txt')
trainingSet = []; trainingLabels = []
for line in frTrain.readlines():
currLine = line.strip().split('\t')
lineArr =[]
for i in range(21):
lineArr.append(float(currLine[i]))
trainingSet.append(lineArr)
trainingLabels.append(float(currLine[21]))
trainWeights = stocGradAscent1(array(trainingSet), trainingLabels, 500)
errorCount = 0; numTestVec = 0.0
for line in frTest.readlines():
numTestVec += 1.0
currLine = line.strip().split('\t')
lineArr =[]
for i in range(21):
lineArr.append(float(currLine[i]))
if int(classifyVector(array(lineArr), trainWeights))!= int(currLine[21]):
errorCount += 1
errorRate = (float(errorCount)/numTestVec)
print "the error rate of this test is: %f" % errorRate
return errorRate
def multiTest():
numTests=10
errorSum=0.0
for k in range(numTests):
errorSum+=colicTest()
print "after %d iterations the average error rate is: %f " % (numTests,errorSum/float(numTests))