逻辑回归介绍（案例：癌症分类预测）

干炒牛河

于 2023-12-15 16:24:33 发布

阅读量1.4k

点赞数 24

分类专栏：机器学习文章标签：逻辑回归分类算法

本文链接：https://blog.csdn.net/qq_53201790/article/details/135019139

版权

机器学习专栏收录该内容

5 篇文章 0 订阅

订阅专栏

1.介绍

1.1逻辑回归应用场景

广告点击率
是否为垃圾邮件
是否患病
金融诈骗
虚假账号

逻辑回归就是解决二分类问题的利器

1.2逻辑回归的原理

逻辑回归的输入是线性回归的结果
激活函数： sigmoid：
输出结果[0,1]区间的一个概率值，默认值为0.5阈值

在这里插入图片描述

输出结果解释(重要)：假设有两个类别A，B，并且假设我们的概率值为属于A(1)这个类别的概率值。现在有⼀个样本的输⼊到逻辑回归输出结果0.55，那么这个概率值超过0.5，意味着我们训练或者预测的结果就是A(1)类别。那么反之，如果得出结果为0.3那么，训练或者预测结果就为B(0)类别。

2.损失及优化

逻辑回归的损失，称之为对数似然损失，公式如下：

在这里插入图片描述

其中y为真实值，h (x)为预测值怎么理解单个的式⼦呢？这个要根据log的函数图像来理解⽆论何时，我们都希望损失函数值，越⼩越好分情况讨论，对应的损失函数值：
当y = 1时：

⽆论何时，我们都希望损失函数值，越⼩越好分情况讨论，对应的损失函数值：当y=1时，我们希望h (x)值越⼤越好；当y=0时，我们希望h (x)值越⼩越好

优化

同样使用梯度下降优化算法，去减少损失函数的值。这样去更新逻辑回归前面对应算法的权重参数，提升原本属于1类别的概率，降低原本是0类别的概率。

3.案例：癌症分类预测-良／恶性乳腺癌肿瘤预测

3.1数据集

在这里插入图片描述
原始数据的下载地址：https://archive.ics.uci.edu/ml/machine-learning-databases/

数据描述
（1）699条样本，共11列数据，第⼀列⽤语检索的id，后9列分别是与肿瘤相关的医学特征，最后⼀列表示肿瘤类型的数值。
（2）包含16个缺失值，⽤”?”标出。

3.2 案例分析

1.获取数据
2.基本数据处理
2.1 缺失值处理
2.2 确定特征值,⽬标值
2.3 分割数据
3.特征⼯程(标准化)
4.机器学习(逻辑回归)
5.模型评估

3.3 代码实现

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
import ssl
ssl._create_default_https_context = ssl._create_unverified_context
# 1.获取数据
names = ['Sample code number', 'Clump Thickness', 'Uniformity of Cell Size', 'Uniformity of Cell Shape',
'Marginal Adhesion', 'Single Epithelial Cell Size', 'Bare Nuclei', 'Bland Chromatin',
'Normal Nucleoli', 'Mitoses', 'Class']
data = pd.read_csv("https://archive.ics.uci.edu/ml/machine-learning-databases/breast-cancer-wisconsin/breast-ca
ncer-wisconsin.data",
names=names)
data.head()

# 2.基本数据处理
# 2.1 缺失值处理
data = data.replace(to_replace="?", value=np.NaN)
data = data.dropna()
# 2.2 确定特征值,⽬标值
x = data.iloc[:, 1:10]
x.head()
y = data["Class"]
y.head()
# 2.3 分割数据
x_train, x_test, y_train, y_test = train_test_split(x, y, random_state=22)

# 3.特征⼯程(标准化)
transfer = StandardScaler()
x_train = transfer.fit_transform(x_train)
x_test = transfer.transform(x_test)

# 4.机器学习(逻辑回归)
estimator = LogisticRegression()
estimator.fit(x_train, y_train)

# 5.模型评估
y_predict = estimator.predict(x_test)
y_predict
estimator.score(x_test, y_test)

3.4实验结果

在这里插入图片描述

4.分类评估方法

4.1精确率与召回率

4.1.1

在分类任务下，预测结果(Predicted Condition)与正确标记(True Condition)之间存在四种不同的组合，构成混淆矩阵(适
⽤于多分类)
在这里插入图片描述

4.1.2 精确率(Precision)与召回率(Recall)

精确率：预测结果为正例样本中真实为正例的⽐例

在这里插入图片描述
召回率：真实为正例的样本中预测结果为正例的⽐例（查得全，对正样本的区分能⼒）

4.1.3 F1-score

还有其他的评估标准，F1-score，反映了模型的稳健型
在这里插入图片描述

4.1.4分类评估报告api

sklearn.metrics.classification_report(y_true, y_pred, labels=[], target_names=None )
y_true：真实⽬标值
y_pred：估计器预测⽬标值
labels:指定类别对应的数字
target_names：⽬标类别名称
return：每个类别精确率与召回率

ret = classification_report(y_test, y_predict, labels=(2,4), target_names=("良性", "恶性"))
print(ret)

假设这样⼀个情况，如果99个样本癌症，1个样本⾮癌症，不管怎样我全都预测正例(默认癌症为正例),准确率就为99%
但是这样效果并不好，这就是样本不均衡下的评估问题
问题：如何衡量样本不均衡下的评估？

4.2 ROC曲线与AUC指标

4.2.1TPR与FPR

TPR = TP / (TP + FN)
所有真实类别为1的样本中，预测类别为1的⽐例
FPR = FP / (FP + TN)
所有真实类别为0的样本中，预测类别为1的⽐例

4.2.2 ROC曲线

ROC曲线的横轴就是FPRate，纵轴就是TPRate，当⼆者相等时，表示的意义则是：对于不论真实类别是1还是0的
样本，分类器预测为1的概率是相等的，此时AUC为0.5

4.2.3 AUC指标

AUC的概率意义是随机取⼀对正负样本，正样本得分⼤于负样本得分的概率
AUC的范围在[0, 1]之间，并且越接近1越好，越接近0.5属于乱猜
AUC=1，完美分类器，采⽤这个预测模型时，不管设定什么阈值都能得出完美预测。绝⼤多数预测的场合，不存
在完美分类器。
0.5<AUC<1，优于随机猜测。这个分类器（模型）妥善设定阈值的话，能有预测价值。

4.2.4 AUC计算API

from sklearn.metrics import roc_auc_score
sklearn.metrics.roc_auc_score(y_true, y_score)
计算ROC曲线⾯积，即AUC值
y_true：每个样本的真实类别，必须为0(反例),1(正例)标记
y_score：预测得分，可以是正类的估计概率、置信值或者分类器⽅法的返回值

# 0.5~1之间，越接近于1约好
y_test = np.where(y_test > 2.5, 1, 0)
print("AUC指标：", roc_auc_score(y_test, y_predict)

5. ROC曲线绘制

关于ROC曲线的绘制过程，通过以下举例进⾏说明

假设有6次展示记录，有两次被点击了，得到一个展示序列（1:1,2:0,3:1,4:0,5:0,6:0），前面的表示序号，后边的表示点击（1），或者没有点击（0）。然后在这6次展示的时候都通过了model算出来点击概率序列。

5.1 曲线绘制

5.1.1 如果概率的序列是（1:0.9,2:0.7,3:0.8,4:0.6,5:0.5,6:0.4）。

与原来的序列一起，得到序列（从高到低）

在这里插入图片描述

绘制的步骤是：

1）把概率序列从⾼到低排序，得到顺序（1:0.9,3:0.8,2:0.7,4:0.6,5:0.5,6:0.4）；
2）从概率最⼤开始取⼀个点作为正类，取到点1，计算得到TPR=0.5，FPR=0.0；
3）从概率最⼤开始，再取⼀个点作为正类，取到点3，计算得到TPR=1.0，FPR=0.0；
4）再从最⼤开始取⼀个点作为正类，取到点2，计算得到TPR=1.0，FPR=0.25; 5）以此类推，得到6对TPR和FPR。

然后把这6对数据组成6个点(0,0.5),(0,1.0),(0.25,1),(0.5,1),(0.75,1),(1.0,1.0)。
这6个点在⼆维坐标系中能绘出来。
在这里插入图片描述

5.2 意义解释

如上图的例⼦，总共6个点，2个正样本，4个负样本，取⼀个正样本和⼀个负样本的情况总共有8种。
上⾯的第⼀种情况，从上往下取，⽆论怎么取，正样本的概率总在负样本之上，所以分对的概率为1，AUC=1。再看那
个ROC曲线，它的积分是什么？也是1，ROC曲线的积分与AUC相等。
上⾯第⼆种情况，如果取到了样本2和3，那就分错了，其他情况都分对了；所以分对的概率是0.875，AUC=0.875。再
看那个ROC曲线，它的积分也是0.875，ROC曲线的积分与AUC相等。
上⾯的第三种情况，⽆论怎么取，都是分错的，所以分对的概率是0，AUC=0.0。再看ROC曲线，它的积分也是0.0，
ROC曲线的积分与AUC相等。
其实AUC的意思是——Area Under roc Curve，就是ROC曲线的积分，也是ROC曲线下⾯的⾯积。