【机器学习】logistic_grad_ascent 关于逻辑回归、最大似然函数、梯度上升实验的详解

$$PresentedbyR.G.$$

写在前面：

最近在上《机器学习与内容安全》的课程，老师布置了第一次实验内容，看了一下，大致应该是吴恩达的东西。由于疫情在家（这事得从一直🦇说起。，。kidding），网络不是很好，所以没法安装matlab，而老师给的参考代码是matlab的（感觉应该是吴恩达课程里面的，不过我没去搜），再加上我一直觉得matlab有点笨重然后启动有点慢>_<，因此呢，我打算用伟大的蟒蛇语言（手动滑稽）重写一下参考代码，并加上了一些注释和数学推导。有需要的童鞋可以看看这篇文章，写得可能不算太好，但是希望点个赞给点鼓励，哈哈哈。盗用啊吗粽的金桔（金句），点赞再看，养成习惯～

题目要求:

python重现

import numpy as np 
import pandas as pd 
import matplotlib 
import matplotlib.pyplot as plt
import math 
bar = '-'*50

set_X = pd.read_table('./q1x.dat', header=None, delim_whitespace = True) 
set_X.head()

	0	1
0	1.343250	-1.331148
1	1.820553	-0.634668
2	0.986321	-1.888576
3	1.944373	-1.635452
4	0.976734	-1.353315

plt.plot(set_X[0], set_X[1], 'b+') # 大致画一下特征分布
plt.title('Data distribution of q1x')
plt.xlabel('feature 0')
plt.ylabel('feature 1')

vec_y = pd.read_csv('./q1y.dat',header=None)
vec_y.head()

	0
0	0.0
1	0.0
2	0.0
3	0.0
4	0.0

vec_y[0].value_counts() # 统计一下 0 1 标签个数

0.0    50
1.0    49
Name: 0, dtype: int64

# 加入 标签 区分数据类别
plt.plot(set_X[0][vec_y[0] == 0], set_X[1][vec_y[0] == 0], 'r+', label="y=0")
plt.plot(set_X[0][vec_y[0] == 1], set_X[1][vec_y[0]==1],'b*', label="y=1")
plt.legend(loc="best")
plt.title('Data distribution of q1x')
plt.xlabel('feature 0')
plt.ylabel('feature 1')
plt.show()

def sigmod(x):
    return 1/(1+np.exp(-x))

def logistic_grad_ascent(feature_setX, label_sety, alpha=0.0001, max_iters=10):
    ''' 逻辑回归-梯度上升法
    利用梯度上升算法，解使最大似然函数ll 取最大值的参数向量theta_list 
    feature_setX: 特征数据集
    label_sety: 标签数据集
    alpha: learning rate, 学习率/步长
    max_iters: 迭代次数
    '''
    theta_list = np.zeros(feature_setX.ndim+1) 
    theta_list = np.mat(theta_list).T
    feature_setX.insert(0,'x0',np.ones(feature_setX.shape[0])) # 解释见下述cell
    ll = []
    for i in range(max_iters):
        hx =sigmod(feature_setX.dot(theta_list)) # 计算hx = g()
        theta_list += alpha * feature_setX.T.dot(label_sety - hx) # 解释见下述cell
        ll.append(np.sum( label_sety * np.log(hx) + (1 - label_sety) * np.log(1 - hx) )) 
    return theta_list,ll # 返回最终求出的参数值list，以及每一次迭代的最大似然函数值list

解释: theta_list = np.zeros(feature_setX.ndim+1)

$h_{\theta }(x)=\theta +{\sum }_{i=1}^n{\theta }_i\cdot x_i$ 预测函数

由于，此实验的数据集中只有两个特征，所以只需要 2+1个$\theta$，公式如下:

$h_{\theta }$