本文借鉴于《机器学习实战》,本文对其进行了代码更新与注释。
以二分类为例初步介绍Logistc回归
基于Logistic回归和Sigmoid函数的分类
Sigmoid(x)函数曲线,其变动范围于(0,1)之间,随着x的增大,对应的Sigmoid值逼近于1,随着x的减小,Sigmoid值逼近于0。在x=0处,函数Sigmoid(x)近似于跳跃函数。
4、Sigmoid函数与Logistic回归的关系
因此为了实现Logistic回归分类器,可以在每一个特征上都乘以回归系数,所有的结果值相加,将这个和带入Sigmoid函数,进而得到一个位于(0,1)范围内的值,任何大于0.5的数据被分入1类,否则分入0类。即
Sigmoid(W0X0+W1X1+…+Wn*Xn)?>0.5:1,
Wi表示特诊Xi上的回归系数
Sigmoid(W0X0+W1X1+…+Wn*Xn)=0.5为两个类别的分界处,即
W0X0+W1X1+…+Wn*Xn=0为决策边界。
Sigmoid函数的公式可得:
其中向量X是分类器的输入数据,向量w为我们要找到的最佳参数(回归系数向量)
####基于最优化方法的最佳回归系数确定
1、梯度上升法
基本思想:要找到某函数的最大值,最好的方法就是沿着该函数的梯度方向寻找。梯度公式如下:
现有梯度上升算法的迭代公式,其中alpha代表移动步长
迭代条件终止条件:迭代次数达到某个指定值、或算法达到某个允许的误差范围之内。
####算法实现
现有数据testSet.txt,其中含有100个样本点,每个点包含两个数据值特征:X1和X2,以及类标签(0、1)
训练算法:使用梯度上升找到最佳参数
(1)批处理梯度上升算法伪代码
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
import numpy as np
from numpy import *
from math import *
def loadDataSet(filepath):
dataMat=[]; labelMat=[]
fr=open(filepath)
for line in fr.readlines():
lineArr=line.strip().split()
#添加特征X0,并将值设为1.0,便于计算
dataMat.append([1.0,np.float(lineArr[0]),np.float(lineArr[1])])
labelMat.append(int(lineArr[2]))
return dataMat,labelMat
#Sigmoid函数,inX为矩阵
def sigmoid(inX):
m,n=np.shape(inX)
returnX=np.ones((m,n))
for i in range(m):
for j in range(n):
returnX[i][j]=1.0/(returnX[i][j]+exp(-inX[i][j]))
return returnX
#Logistic回归梯度上升优化算法,遍历500次数据集的批量上升优化算法
def gradAscent(dataMatIn, classLabels):
#(100,3)矩阵
dataMatrix = mat(dataMatIn)
#(1,100)矩阵
labelMat = mat(classLabels).transpose()
m,n = shape(dataMatrix)
alpha = 0.001 #alpha为向目标移动的步长
maxCycles = 500 #迭代次数
weights = ones((n,1)) #初始化回归系数为1
for k in range(maxCycles):
h = sigmoid(dataMatrix*weights) #整个数据集的梯度,大于0.5的数据划分到1类,小于0.5的数据划分到0类
#计算真实类别与预测类别的差值,以该差值的方向调整回归系数
error = (labelMat - h)
weights = weights + alpha * dataMatrix.transpose()* error
return weights
(2)在线学习随机梯度上升算法伪代码
每个回归系数初始化为1
对数据集中每个样本:
计算该样本的梯度
使用alpha*gradient更新回归系数值
返回回归系数值
#只遍历一次数据集的在线学习梯度上升算法
def sigmoid0(inX):
return 1.0/(1+exp(-inX))
def stocGradAscent0(dataMatrix,classLabels):
#dataMatrix为ndarray类型(100,3)
dataMatrix=array(dataMatrix)
m,n=shape(dataMatrix)
alpha=0.01 #alpha为向目标移动的步长
weights=ones(n)
for i in range(m):
h=sigmoid0(sum(dataMatrix[i]*weights)) #h梯度为数值
error=float(classLabels[i]-h) #数值计算
weights=weights+alpha*error*dataMatrix[i]
return weights
(3)改进的在线学习梯度上升优化算法
使用样本随机选择和alpha动态减少机制的随机梯度上升优化算法
#改进的在线梯度上升优化算法,数据集的迭代次数增加
#使用样本随机选择和alpha动态减少机制的随机梯度上升优化算法
def stocGradAscent1(dataMatrix,classLabels,numIter=150): #numIter为迭代次数
dataMatrix=array(dataMatrix)
m,n=shape(dataMatrix)
weights=ones(n)
for j in range(numIter):
dataIndex = list(range(m))
for i in range(m):
#alpha每次迭代时都需要调整
alpha=4/(1.0+j+i)+0.01
#随机选取样本
randIndex=int(random.uniform(0,len(dataIndex)))
#计算该样本的梯度
h=sigmoid0(sum(dataMatrix[randIndex]*weights))
error=classLabels[randIndex]-h
weights=weights+alpha*error*dataMatrix[randIndex]
del(dataIndex[randIndex])
return weights
画出数据集和Logistic回归最佳拟合直线
#画出数据集和Logistic回归最佳拟合直线函数
def plotBestFit(weights,dataArr,labelMat):
import matplotlib.pyplot as plt
dataMat,labelMat=dataArr,labelMat
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(-4.0, 4.0, 0.1)
# 最佳拟合直线函数,x轴代表特征X1(回归系数weights[0]),y轴代表特征X2(回归系数weights[2]),特征X0=1
# 梯度函数取值为0.5时,拟合直线是两个类别的分界线,因此W0*X0+W1*X1+...+Wn*Xn=0
y = (-weights[0]-weights[1]*x)/weights[2]
ax.plot(x, y)
plt.xlabel('X1')
plt.ylabel('X2')
plt.show()
dataArr,labelMat=loadDataSet('data/practice5/testSet.txt')
Weights=stocGradAscent1(dataArr,labelMat,numIter=500)
plotBestFit(Weights,dataArr,labelMat)
输出结果为:
用Logistic回归进行分类
现有实例:使用Logistic回归预测患有疝气病的马是否存活
数据集:
测试数据:horseColicTest.txt
训练数据horseColicTraining.txt:299个样本和20个特征,若对应的Sigmoid函数值大于0.5就预测类别标签为1,否则为0。
#Logistic回归分类函数
def classifyVector(inX,weights):
prob=sigmoid0(sum(inX*weights))
if prob>0.5 :
return 1
else:
return 0
def coliTest():
frTrain=open('data/practice5/horseColicTraining.txt')
frTest=open('data/practice5/horseColicTest.txt')
trainingSet=[]
trainingLabels=[]
for line in frTrain.readlines():
currLine=line.strip().split('\t')
lineArr=[]
for i in range(len(currLine)-1):
lineArr.append(currLine[i])
trainingSet.append(lineArr)
trainingLabels.append(float(currLine[-1]))
trainWeights=stocGradAscent1(trainingSet,trainingLabels)
#存储最佳回归系数
import pickle
file=open('data/practice5/trainWeights.txt',mode='wb')
pickle.dump(trainWeights,file)
file.close()
errorCount=0
numTestVec=0.0
for line in frTest.readlines():
numTestVec+=1.0
currLine=line.strip().split('\t')
lineArr=[]
for i in range(len(currLine)-1):
lineArr.append(currLine[i])
if int(classifyVector(lineArr,trainWeights))!=int(currLine[-1]):
errorCount+=1
errorate=float(errorCount)/numTestVec
return errorate
#取十次测试的错误率的平均值
def multiTest():
numTests=10
errorSum=0.0
for k in range(numTests):
errorSum+=coliTest()
return errorSum/float(numTests)
if __name__=='__main__':
inX=[]
print('Logistic回归分类器的错误率为:'.format(multiTest()))
for i in range(21):
value=input('请输入特征值{}'.format(i+1))
inX.append(float(value))
import pickle
file=open('data/practice5/trainWeights.txt',mode='rb')
trainWeights=pickle.load(file)
file.close()
if int(classifyVector(inX,trainWeights))==1:
print('该马仍存活')
else:
print('该马未存活')