《机器学习实战》 第五章【Logistic回归】

logistic回归又称logistic回归分析，是一种广义的线性回归分析模型，常用于数据挖掘，疾病自动诊断，经济预测等领域。例如，探讨引发疾病的危险因素，并根据危险因素预测疾病发生的概率等。以胃癌病情分析为例，选择两组人群，一组是胃癌组，一组是非胃癌组，两组人群必定具有不同的体征与生活方式等。因此因变量就为是否胃癌，值为“是”或“否”，自变量就可以包括很多了，如年龄、性别、饮食习惯、幽门螺杆菌感染等。自变量既可以是连续的，也可以是分类的。然后通过logistic回归分析，可以得到自变量的权重，从而可以大致了解到底哪些因素是胃癌的危险因素。同时根据该权值可以根据危险因素预测一个人患癌症的可能性。
——百度百科

算法描述

算法简述

Sigmoid函数

我们所需要的函数应该是，能接受所有的输入然后预测出类别，例如二分类，我们可以使用像Sigmoid这样的函数，它的图像如下，公式在图片右上角：

Sigmoid函数的特点是，两条渐近线y=1和y=0；当x大于0值越大，y值趋近于1；当x小于0值越小，y值趋近于0。这样的函数更方便于我们作分类问题，比如，我们设置预测结果y值大于0.5，就可以认为预测结果是类别1，y值小于0.5，就可以认为预测结果是类别0，当然，这些都可以自己去定义。除了Sigmoid，还可以使用Tanh，ReLU函数等，单击链接，本文使用的是Sigmoid函数。

梯度

定义Sigmoid的输入为z：

为了使得分类器尽可能精确，我们所需要的就是求出这些w值的最优结果，这里我们可以使用梯度上升法。
要学习梯度上升法至少要了解的先验知识：

• 偏导数
• 梯度

中学知识我们知道，导数是对一个函数进行求导计算，如果变量多于一个，那么对某一个变量进行求导计算，就称求它的偏导数，而梯度，就是将这些偏导数保存在一起，转为向量，所以梯度是一个向量值，向量中的每一个值分别是一个导数。这里是相关链接

梯度的值表示某一函数在该点处的方向导数沿着该方向取得最大值，想象一下，我们要求的w值是最优的，那么在空间中的函数图像，我们要求到的就是这个函数的最值。即下图中的红色圈出来的地方。

最优化方法确定最佳回归系数（梯度上升法）

使用梯度上升算法的迭代公式如下：

算法如下：

每个回归系数初始化为1
重复R次：
	计算整个数据集的梯度
	使用alpha × gradient更新回归系数的向量
返回回归系数

alpha是学习步长，也就是每次移动的大小，alpha过大可能会导致找不到最优解，过小可能会导致局部最优，所以找到合适的alpha也是受影响的。R是迭代次数，这里是算法是批量梯度算法，还有随机梯度和小批量梯度算法，分享个一个很棒的资料。

优缺点

• 优点：计算代价不高，易于理解
• 缺点：容易欠拟合，分类精度可能不高
• 适用数据类型：数值型、标称型

一般过程

• 收集数据：任意方法
• 准备数据：由于需要进行距离计算，因此要求数据类型为数值型。另外，结构化数据格式则最佳
• 分析数据：任意方法
• 训练算法：大部分时间将用于训练算法，目的是为了找到最佳的分类回归系数
• 测试算法：一旦训练步骤完成，分类将会很快
• 使用算法：首先，需要输入数据，将数据转换成对应的结构化数值；然后，基于训练好的回归系数就可以对这些数值进行简单的回归计算，判定是哪个类别；最后，我们可以在输出的类别上进行一些其他分析工作

一个栗子

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])])
        labelMat.append(int(lineArr[2]))
    return dataMat,labelMat

def sigmoid(inX):
    return 1.0/(1+exp(-inX))

def gradAscent(dataMatIn, classLabels):
    dataMatrix = mat(dataMatIn)             #convert to NumPy matrix
    labelMat = mat(classLabels).transpose() #convert to NumPy matrix
    m,n = shape(dataMatrix)
    alpha = 0.001
    maxCycles = 500
    weights = ones((n,1))
    for k in range(maxCycles):              #heavy on matrix operations
        h = sigmoid(dataMatrix*weights)     #matrix mult
        error = (labelMat - h)              #vector subtraction
        weights = weights + alpha * dataMatrix.transpose()* error #matrix mult
    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()

def stocGradAscent0(dataMatrix, classLabels):
    m,n = shape(dataMatrix)
    alpha = 0.01
    weights = ones(n)   #initialize to all ones
    for i in range(m):
        h = sigmoid(sum(dataMatrix[i]*weights))
        error = classLabels[i] - h
        weights = weights + alpha * error * dataMatrix[i]
    return weights

def stocGradAscent1(dataMatrix, classLabels, numIter=150):
    m,n = shape(dataMatrix)
    weights = ones(n)   #initialize to all ones
    for j in range(numIter):
        dataIndex = range(m)
        for i in range(m):
            alpha = 4/(1.0+j+i)+0.0001    #apha decreases with iteration, does not 
            randIndex = int(random.uniform(0,len(dataIndex)))#go to 0 because of the constant
            h = sigmoid(sum(dataMatrix[randIndex]*weights))
            error = classLabels[randIndex] - h
            weights = weights + alpha * error * dataMatrix[randIndex]
            del(dataIndex[randIndex])
    return weights
    
dataArr,labelMat=loadDataSet()
weights=stocGradAscent1(array(dataArr),labelMat,500)
plotBestFit(weights)

结果：

从疝气病症预测病马的死亡率

def sigmoid(inX):
    return 1.0/(1+exp(-inX))
    
def stocGradAscent1(dataMatrix, classLabels, numIter=150):
    m,n = shape(dataMatrix)
    weights = ones(n)   #initialize to all ones
    for j in range(numIter):
        dataIndex = range(m)
        for i in range(m):
            alpha = 4/(1.0+j+i)+0.0001    #apha decreases with iteration, does not 
            randIndex = int(random.uniform(0,len(dataIndex)))#go to 0 because of the constant
            h = sigmoid(sum(dataMatrix[randIndex]*weights))
            error = classLabels[randIndex] - h
            weights = weights + alpha * error * dataMatrix[randIndex]
            del(dataIndex[randIndex])
    return weights

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, 1000)
    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))

multiTest()

结果：错误率35.8%…