机器学习学习记录2 - 逻辑回归

机器学习学习记录2 - 逻辑回归

问题提出：

构建逻辑回归模型预测某个学生是否被大学录取

已知条件：

对于每一个训练样本有两次测试的评分和最终的录取结果

1.构建sigmoid函数

g代表一个常用的逻辑函数为S形函数，公式为：
$$g(z)=\frac{1}{1+e^{-z}}$$
结合之前的假设函数，我们可以得到逻辑回归模型的假设函数：
$$h_{\theta }(x)=\frac{1}{1+e^{-{\theta }^{T}X}}$$

#通过Python定义sigmoid函数
def sigmoid(z):
    return 1 / (1 + np.exp(-z))

#sigmoid函数可视化
nums = np.arange(-10, 10, step=1)#返回一个
#print(nums)
fig, ax = plt.subplots(figsize=(12,8))
ax.plot(nums, sigmoid(nums), 'r')
plt.show()

2.编写代价函数

代价函数：
$$J(\theta )=\frac{1}{m}\sum _{i=1}^m[-y^{(i)}log(h_{\theta }(x^{(i)}))-(1-y^{(i)})log(1-h_{\theta }(x^{(i)}))]$$

#编写代价函数
def cost(theta, X, y):
    theta = np.matrix(theta)
    X = np.matrix(X)
    y = np.matrix(y)
    first = np.multiply(-y, np.log(sigmoid(X * theta.T)))#np.multiply 两个参数相乘
    second = np.multiply((1 - y), np.log(1 - sigmoid(X * theta.T)))
    return np.sum(first - second) / (len(X))

3.导入数据并将其可视化

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

path = 'ex2data1.txt'
data = pd.read_csv(path, header=None, names=['Exam 1', 'Exam 2', 'Admitted'])
data.head()

#通过创建散点图表示正样本和负样本
positive = data[data['Admitted'].isin([1])]
negative = data[data['Admitted'].isin([0])]

fig, ax = plt.subplots(figsize=(12,8))
ax.scatter(positive['Exam 1'], positive['Exam 2'], s=50, c='b', marker='o', label='Admitted')
ax.scatter(negative['Exam 1'], negative['Exam 2'], s=50, c='r', marker='x', label='Not Admitted')
ax.legend()
ax.set_xlabel('Exam 1 Score')
ax.set_ylabel('Exam 2 Score')
plt.show()

通过对数据可视化我们可以看到正负样本之间有清晰的边界，因此可以通过逻辑回归来实现对结果预测

#添加偏置项
# add a ones column - this makes the matrix multiplication work out easier
data.insert(0, 'Ones', 1)#第0列添加偏置为1的标签项Ones

# set X (training data) and y (target variable)
cols = data.shape[1]
X = data.iloc[:,0:cols-1]
y = data.iloc[:,cols-1:cols]

# convert to numpy arrays and initalize the parameter array theta
X = np.array(X.values)
y = np.array(y.values)
theta = np.zeros(3)

可以通过调用cost函数计算代价

#此时初始化参数theat为0
cost(theat,X,y)

---

4.gradient descent（梯度下降）

对于批量梯度下降(BGD)转换为向量化计算得到：
$$\frac{\partial J(\theta )}{\partial {\theta }_j}=\frac{1}{m}\sum _{i=1}^m(h_{\theta }(x^{(i)})-y^{(i)})x_j^i$$

def gradient(theta, X, y):
    theta = np.matrix(theta)
    X = np.matrix(X)
    y = np.matrix(y)
    
    parameters = int(theta.ravel().shape[1])#ravel()多维转一维  shape[1]是取矩阵1*3中的3
    grad = np.zeros(parameters)
    
    error = sigmoid(X * theta.T) - y
    
    for i in range(parameters):
        term = np.multiply(error, X[:,i])
        grad[i] = np.sum(term) / len(X)
    
    return grad

gradient(theata,X,y)

该代码块仅仅执行一个梯度步长，接下来通过Scipy来寻找最优参数

import scipy.optimize as opt
#该函数用来寻找最优参数及theat的最优解
result = opt.fmin_tnc(func=cost, x0=theta, fprime=gradient, args=(X, y))
result
#(array([-25.16131863,   0.20623159,   0.20147149]), 36, 0) result的结果

cost(result[0], X, y)#result[0]及就是优化后的theta
#结果：0.20349770158947458

---

5.预测

编写函数通过所学习的参数$\theta$对数据集X进行预测，同时为我们的分类器的训练精度打分，​​逻辑回归模型的假设函数为：
$$h_{\theta }(x)=\frac{1}{1+e^{-{\theta }^{T}X}}$$
当$h_{\theta }$​大于等于0.5时，预测y=1

当$h_{\theta }$小于0.5时，预测y=0.

def predict(theta, X):
    probability = sigmoid(X * theta.T)
    return [1 if x >= 0.5 else 0 for x in probability]

theta_min = np.matrix(result[0])
predictions = predict(theta_min, X)
#zip是将对象中的元素打包成元组形式#判断predictions与y是否相等，若相等返回1否则返回0
correct = [1 if ((a == 1 and b == 1) or (a == 0 and b == 0)) else 0 for (a, b) in zip(predictions, y)]
#计算准确率，用correct中两个元素相等的个数除以总个数也就是准确率。
accuracy = (sum(map(int, correct)) % len(correct))
print ('accuracy = {0}%'.format(accuracy))
#结果输出准确率为89%

因此得到了预测分类器的准确率为89%，之后将介绍使用交叉验证进行真实逼近

---

6.正则化逻辑回归

加入正则项有助于减少过拟合，提高模型的泛化能力

正则化代价函数

$$J(\theta )=\frac{1}{m}\sum _{i=1}^m[-y^{(i)}log(h_{\theta }(x^{(i)}))-(1-y^{(i)})log(1-h_{\theta }(x^{(i)}))]+\frac{\lambda }{2m}\sum _{j=1}^n{\theta }_j^2$$

def costReg(theta, X, y, learningRate):
    theta = np.matrix(theta)
    X = np.matrix(X)
    y = np.matrix(y)
    first = np.multiply(-y, np.log(sigmoid(X * theta.T)))
    second = np.multiply((1 - y), np.log(1 - sigmoid(X * theta.T)))#其他和上述保持一致
    reg = (learningRate / (2 * len(X))) * np.sum(np.power(theta[:,1:theta.shape[1]], 2))#正则化项，不能正则化第一项theta0(theta的第一列)
    return np.sum(first - second) / len(X) + reg

未对$\theta$​项进行正则化，因此，更新式子变为：

当j=1,2,…,n时候可得：
$${\theta }_j:={\theta }_j(1-\alpha \frac{\lambda }{m})-\alpha \frac{1}{m}\sum _{i=1}^m(h_{\theta }(x^{(i)})-y^{(i)})x_j^{(i)}$$

#实现代码如下
def gradientReg(theta, X, y, learningRate):
    theta = np.matrix(theta)
    X = np.matrix(X)
    y = np.matrix(y)
    
    parameters = int(theta.ravel().shape[1])#将theta变为一维且得到其列数
    grad = np.zeros(parameters)
    
    error = sigmoid(X * theta.T) - y
    
    for i in range(parameters):
        term = np.multiply(error, X[:,i])
        
        if (i == 0):
            grad[i] = np.sum(term) / len(X)
        else:
            grad[i] = (np.sum(term) / len(X)) + ((learningRate / len(X)) * theta[:,i])
    
    return grad

接着像之前一样初始化变量

# set X and y (remember from above that we moved the label to column 0)
cols = data2.shape[1]
X2 = data2.iloc[:,1:cols]
y2 = data2.iloc[:,0:1]

# convert to numpy arrays and initalize the parameter array theta
X2 = np.array(X2.values)
y2 = np.array(y2.values)
theta2 = np.zeros(11)

选择一个初始学习率和初始theta(为0)

learningRate = 1
costReg(theta2, X2, y2, learningRate)
#结果：0.6931471805599454

#执行一次梯度下降结果
gradientReg(theta2, X2, y2, learningRate)

#使用和第一部分一样的优化函数计算优化结果
result2 = opt.fmin_tnc(func=costReg, x0=theta2, fprime=gradientReg, args=(X2, y2, learningRate))
result2

(array([ 0.53010247,  0.29075567, -1.60725764, -0.58213819,  0.01781027,
        -0.21329507, -0.40024142, -1.3714414 ,  0.02264304, -0.95033581,
         0.0344085 ]),
 22,
 1)

#使用与第一部分同样的方法来监测准确度
theta_min = np.matrix(result2[0])
predictions = predict(theta_min, X2)
correct = [1 if ((a == 1 and b == 1) or (a == 0 and b == 0)) else 0 for (a, b) in zip(predictions, y2)]
accuracy = (sum(map(int, correct)) % len(correct))
print ('accuracy = {0}%'.format(accuracy))
#最终准确率为78%

---

7.scikit-learn方法解决

from sklearn import linear_model#调用sklearn的线性回归包
model = linear_model.LogisticRegression(penalty='l2', C=1.0)
model.fit(X2, y2.ravel())#ravel多维转一维

model.score(X2, y2)
#结果为0.6610169491525424

注：

我们可以看到这里的精度为0.66，比之前的0.78差了好多，但是该结果是在默认参数下计算的结果，可以通过调整参数获得与之前相同的精度。