torch学习笔记(6)——逻辑回归模型(自训练)

import torch
import torch.nn as nn
import numpy as np
import matplotlib.pyplot as plt
# 逻辑回归(Logistic Regression)
# LR是线性的二分类模型
# y = f(wx+b) f(x) = 1/(1+e**-x) f(x)也称为Sigmoid函数或者Logistic函数
# LR作用:将输入数据映射到[0,1]
# 过程量分类采用“四舍五入,实现整体二分类
# 线性回归是分析自变量x与标量y之间的关系的方法
# LR是分析自变量x与概率y之间的关系的方法
# LR也可以通过变式生成“对数几率回归模型” ln(y/1-y) = wx+b
# 机器学习步骤:data(采集、清洗、划分、预处理)、model、Loss、optim

# LR案例
# data
sample_num = torch.tensor([100.], requires_grad=True)
mean_value = 1.7
bias = 1
n_data = torch.normal(sample_num, 2)
x0 = torch.normal(mean_value * n_data, 1) + bias  # 正态分布生成
y0 = torch.zeros(100)
x1 = torch.normal(-mean_value * n_data, 1) + bias
y1 = torch.ones(100)
train_x = torch.cat((x0, x1), 0)  # 拼接变量
train_y = torch.cat((y0, y1), 0)


# model
class LR(nn.Module):
    def __init__(self):
        super(LR, self).__init__()
        self.features = nn.Linear(2, 1)
        self.sigmoid = nn.Sigmoid()

    def forward(self, x):
        x = self.features(x)
        x = self.sigmoid(x)


# 实例化LR
LR = LR()

# Loss
loss_fn = nn.BCELoss()
# optim
lr = 0.01  # 学习率
optimizer = torch.optim.SGD(LR.parameters(), lr=lr, momentum=0.9)

# train
for iteration in range(1000):
    y_pred = LR(train_x)
    loss = loss_fn(y_pred.squeeze(), train_y)
    loss.backward()
    optimizer.step()
    # 绘图
    if iteration % 20 == 0:
        mask = y_pred.ge(0.5).float().squeeze()  # 0.5为阈值进行分类
        correct = (mask == train_y).sum()  # 正确分类数
        acc = correct.item() / train_y.size(0)  # 精度

        plt.scatter(x0.data.numpy()[:, 0], x0.data.numpy()[:, 1], c='r', label='class 0')
        plt.scatter(x1.data.numpy()[:, 0], x1.data.numpy()[:, 1], c='b', label='class 1')

        w0, w1 = LR.features.weight[0]
        w0, w1 = float(w0.item()), float(w1.item())
        plot_b = float(LR.features.bias[0].item())
        plot_x = np.arange(-6, 6, 0.1)
        plot_y = (-w0 * plot_x - plot_b) / w1

        plt.xlim(-5, 7)
        plt.xlim(-5, 7)
        plt.plot(plot_x, plot_y)
        plt.legend()
        plt.show()
        plt.pause(0.5)

        if acc >= 0.99: break

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

ZRX_GIS

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值