我们来看看逻辑回归(Logistic Regression)
还是以上文中的例子来进行,假设只要得到一定分数就可以看作可以通过考试:
相当于我们不再预测学习4小时可以得到的成绩,而是判断学习4小时是否可以通过考试。
在分类中,模型的输出是输入属于确切类别的概率。
我们可以引入sigmond函数:
可以进行归一化处理,方便我们可以进行相关的分类任务。
Loss Function也发生了上述的变化。
我们也可以使用mini-batch
以下附上完整代码:
import torch
x_data = torch.Tensor([[1.0], [2.0], [3.0]])
y_data = torch.Tensor([[0], [0], [1]])
class LogisticRegressionModel(torch.nn.Module):
def __init__(self):
super(LogisticRegressionModel, self).__init__()
self.linear = torch.nn.Linear(1, 1)
def forward(self, x):
y_pred = F.sigmoid(self.linear(x))
return y_pred
model = LogisticRegressionModel()
criterion = torch.nn.BCELoss(size_average=False)
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)
for epoch in range(1000):
y_pred = model(x_data)
loss = criterion(y_pred, y_data)
print(epoch, loss.item())
optimizer.zero_grad()
loss.backward()
optimizer.step()
我们可以绘制图像来观察具体的变化
import numpy as np
import matplotlib.pyplot as plt
x = np.linspace(0, 10, 200)
x_t = torch.Tensor(x).view((200, 1))
y_t = model(x_t)
y = y_t.data.numpy()
plt.plot(x, y)
plt.plot([0, 10], [0.5, 0.5], c='r')
plt.xlabel('Hours')
plt.ylabel('Probability of Pass')
plt.grid()
plt.show()