梯度下降方法实现逻辑回归性能

Logistic Regression

#三大件,%将那些用matplotlib绘制的图显示在页面里而不是弹出一个窗口

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

%matplotlib inline    #由于 %matplotlib inline 的存在，当输入plt.plot(x,y_1)后，不必再输入 plt.show()，图像将自动显示出来

 

#os.sep 可以取代操作系统特定的路径分割符
import os
path = 'data' + os.sep + 'LogiReg_data.txt'
pdData = pd.read_csv(path, header=None, names=['Exam 1', 'Exam 2', 'Admitted']) 
pdData.head()

 

positive = pdData[pdData['Admitted'] == 1] 
negative = pdData[pdData['Admitted'] == 0] 

fig, ax = plt.subplots(figsize=(10,5))  #固定搭配  fig, ax = plt.subplots(figsize=(12,8),ncols=2,nrows=1)#该方法会返回画图对象和坐标对象ax，figsize是设置子图长宽
ax.scatter(positive['Exam 1'], positive['Exam 2'], s=30, c='b', marker='o', label='Admitted')
ax.scatter(negative['Exam 1'], negative['Exam 2'], s=30, c='r', marker='x', label='Not Admitted')
ax.legend() #show
ax.set_xlabel('Exam 1 Score')
ax.set_ylabel('Exam 2 Score')

 

The logistic regression
目标：建立分类器（求解出三个参数 θ0θ1θ2θ0θ1θ2）

设定阈值，根据阈值判断录取结果

要完成的模块
sigmoid : 映射到概率的函数

model : 返回预测结果值

cost : 根据参数计算损失

gradient : 计算每个参数的梯度方向

descent : 进行参数更新

accuracy: 计算精度

 

 

 

sigmoid : 映射到概率的函数

def sigmoid(z):

    return 1 / (1 + np.exp(-z))

nums = np.arange(-10, 10, step=1) #creates a vector containing 20 equally spaced values from -10 to 10
fig, ax = plt.subplots(figsize=(12,4))
ax.plot(nums, sigmoid(nums), 'r') #x,y,color

 

 

np.dot()返回的是两个数组的点积(dot product)

1.如果处理的是一维数组，则得到的是两数组的內积

In : d = np.arange(0,9)
Out: array([0, 1, 2, 3, 4, 5, 6, 7, 8])

In : e = d[::-1]
Out: array([8, 7, 6, 5, 4, 3, 2, 1, 0])

In : np.dot(d,e) 
Out: 84

2.如果是二维数组（矩阵）之间的运算，则得到的是矩阵积（mastrix product）

In : a = np.arange(1,5).reshape(2,2)
Out:
array([[1, 2],
       [3, 4]])

In : b = np.arange(5,9).reshape(2,2)
Out: array([[5, 6],
            [7, 8]])

In : np.dot(a,b)
Out:
array([[19, 22],
       [43, 50]])

3.         a.dot(b) 与 np.dot(a,b)效果相同

#预测函数模块

def model(X, theta):  

    return sigmoid(np.dot(X, theta.T))

y = 0，1代表类别

 

 

pdData.insert(0, 'Ones', 1) #第一列插入全为1的一列
# set X (training data) and y (target variable)
orig_data = pdData.as_matrix() # 返回不是Numpy矩阵，而是Numpy数组。
cols = orig_data.shape[1]
X = orig_data[:,0:cols-1]
y = orig_data[:,cols-1:cols]
theta = np.zeros([1, 3])   #构造参数，进行占位

 

def cost(X, y, theta):
    left = np.multiply(-y, np.log(model(X, theta)))   #等式左边   这里model(X, theta） == 
    right = np.multiply(1 - y, np.log(1 - model(X, theta)))
    return np.sum(left - right) / (len(X))

 

def gradient(X, y, theta):
    grad = np.zeros(theta.shape)               #theta数 = 求导次数，即解的数
    error = (model(X, theta)- y).ravel()         #yi---真实值，hx----预测值
    for j in range(len(theta.ravel())):             #for each parmeter
        term = np.multiply(error, X[:,j])
        grad[0, j] = np.sum(term) / len(X)    #这里X相当于样本个数

    return grad

 

numpy.ravel() 与numpy.flatten()

二者都是将多维数组降位一维， 
区别： 
numpy.flatten()返回一份拷贝，对拷贝所做的修改不会影响（reflects）原始矩阵， 
numpy.ravel()返回的是视图（view，也颇有几分C/C++引用reference的意味），会影响（reflects）原始矩阵。

 

 

Gradient descent
比较3种不同梯度下降方法

STOP_ITER = 0    #按次数
STOP_COST = 1     #损失
STOP_GRAD = 2       #梯度

def stopCriterion(type, value, threshold):
    #设定三种不同的停止策略
    if type == STOP_ITER:        return value > threshold         #    threshold阈值
    elif type == STOP_COST:      return abs(value[-1]-value[-2]) < threshold
    elif type == STOP_GRAD:      return np.linalg.norm(value) < threshold
 

Python中fabs(x)方法返回x的绝对值。虽然类似于abs()函数，但是两个函数之间存在以下差异：

• abs()是一个内置函数，而fabs()在math模块中定义的。

• fabs()函数只适用于float和integer类型，而abs()也适用于复数。

 

linalg=linear（线性）+algebra（代数），norm则表示范数。

函数参数

x_norm=np.linalg.norm(x, ord=None, axis=None, keepdims=False)
①x: 表示矩阵（也可以是一维）

②ord：范数类型

向量的范数：

 

计算机领域 用的比较多的就是迭代过程中收敛性质的判断，如果理解上述的意义，在计算机领域，一般迭代前后步骤的差值的范数表示其大小，常用的是二范数，差值越小表示越逼近实际值，可以认为达到要求的精度，收敛

 

import numpy.random
#洗牌    set X (trainning data) and y (target variable)
def shuffleData(data):
    np.random.shuffle(data)
    cols = data.shape[1]
    X = data.iloc[:,0:cols-1]    #x是所有行，去掉最后一列
    y = data.iloc[:,cols-1:cols]     #y是所有行，最后一列
    return X, y

 

batch：批量----一次性拿多少个样本去做

 

 

import time

def descent(data, theta, batchSize, stopType, thresh, alpha):
    #梯度下降求解

    init_time = time.time()
    i = 0 # 迭代次数
    k = 0 # batch：批量----一次性拿多少个样本去做
    X, y = shuffleData(data)
    grad = np.zeros(theta.shape) 
    costs = [cost(X, y, theta)]

    while True:
        grad = gradient(X[k:k+batchSize], y[k:k+batchSize], theta)
        k += batchSize #取batch数量个数据
        if k >= n: 
            k = 0 
            X, y = shuffleData(data) #重新洗牌
        theta = theta - alpha*grad # 参数更新
        costs.append(cost(X, y, theta)) # 计算新的损失
        i += 1 

        if stopType == STOP_ITER:       value = i
        elif stopType == STOP_COST:     value = costs
        elif stopType == STOP_GRAD:     value = grad
        if stopCriterion(stopType, value, thresh): break

    return theta, i-1, costs, grad, time.time() - init_time

 

#此处的代码是将迭代的过程以图表的形式展示

def runExpe(data, theta, batchSize, stopType, thresh, alpha):
    #import pdb; pdb.set_trace();   断点调试

pdb 是 python 自带的一个包，为 python 程序提供了一种交互的源代码调试功能，主要特性包括设置断点、单步调试、进入函数调试、查看当前代码、查看栈片段、动态改变变量的值等。

使用的时候要import pdb再用pdb.set_trace()设置一个断点，运行程序的时候就会停在这。

    theta, iter, costs, grad, dur = descent(data, theta, batchSize, stopType, thresh, alpha)
    name = "Original" if (data[:,1]>2).sum() > 1 else "Scaled"
    name += " data - learning rate: {} - ".format(alpha)
    if batchSize==n: strDescType = "Gradient"
    elif batchSize==1:  strDescType = "Stochastic"
    else: strDescType = "Mini-batch ({})".format(batchSize)
    name += strDescType + " descent - Stop: "
    if stopType == STOP_ITER: strStop = "{} iterations".format(thresh)
    elif stopType == STOP_COST: strStop = "costs change < {}".format(thresh)
    else: strStop = "gradient norm < {}".format(thresh)
    name += strStop
    print ("***{}\nTheta: {} - Iter: {} - Last cost: {:03.2f} - Duration: {:03.2f}s".format(
        name, theta, iter, costs[-1], dur))
    fig, ax = plt.subplots(figsize=(12,4))
    ax.plot(np.arange(len(costs)), costs, 'r')
    ax.set_xlabel('Iterations')
    ax.set_ylabel('Cost')
    ax.set_title(name.upper() + ' - Error vs. Iteration')
    return theta