机器学习实战第5章-logistic（逻辑回归）

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))