目录
线性模型与回归
机器学习最常见的场景是监督学习: 给定一些数据,使用计算机学习到一种模式,然后用它来预测新的数据。一个简单的监督学习任务可以表示为,给定N个两两数据对(xi,yi),使用某种机器学习模型对其进行建模,得到一个模型 (model),其中某个给定的数据对为样本(sample),x 为特征 (feature) ,y 为真实值 (label)。
中学时,我们经常使用上面的方程来解一些数学问题,方程描述了变量 y 随着变量 而变化。方程从图形上来看,是一条直线。如果建立好这样的数学模型,已知 我们就可以得到预测的》了。统计学家给变量带上了一个小帽子,表示这是预测值,以区别于真实观测到的数据。方程只有一个自变量 a,且不含平方立方等非一次项,因此被称为一元线性方程。
如下图所示,但是直线并不唯一,即改变w和b的值获得不同的直线,在此过程中寻找最佳参数。
但是我们要如何选取最佳的w和b呢?这就要采用最小二乘法
最小二乘与参数求解
(图片来源)
最小二乘法是由勒让德在19世纪发现的,形式如下式:
观测值就是我们的多组样本,理论值就是我们的假设拟合函数。目标函数也就是在机器学习中常说的损失函数,我们的目标是得到使目标函数最小化时候的拟合函数的模型。
对数线性回归
对数线性回归引入主要是为了实现线性模型预测非线性复杂的函数
线性回归模型: y=f(x)=wx+b
可推广至: y=g(f(x))=g(wx+b) 其中g为单调可微函数
例如设g(x)=ex,取y的对数,即lny,就可以得到对数线性回归模型:
Logistic回归
Logistic回归(Logistic Regression)是一种广义线性模型,通常用于二分类问题,也可以扩展到多分类问题。Logistic回归中采用单位阶跃函数(也可称为阈值函数)是为了得到一个二分类器,来对样本进行分类预测。而由于阶跃函数不连续、不可导,因此采用sigmoid函数的平滑版本是更为合适的选择。它采用的是sigmoid函数作为激活函数,将输入映射到0到1之间的概率值,表示属于某个类别的概率。
因此,为了实现Logistic回归分类器,我们可以在每个特征上都乘以一个回归系数,然后把所有的结果值相加,将这个总和代人Sigmoid函数中,进而得到-一个范围在0~1之间的数值。任何大于0.5的数据被分入1类,小于0.5即被归入0类。所以,Logistic回归也可以被看成是一种概率估计。
线性模型可以衍生出一般形式:
g(∙)称为联系函数(link function),该函数一般为单调可微函数。
具体实现
数据 testSet.tet,可自行创建txt文档保存
-0.017612 14.053064 0
-1.395634 4.662541 1
-0.752157 6.538620 0
-1.322371 7.152853 0
0.423363 11.054677 0
0.406704 7.067335 1
0.667394 12.741452 0
-2.460150 6.866805 1
0.569411 9.548755 0
-0.026632 10.427743 0
0.850433 6.920334 1
1.347183 13.175500 0
1.176813 3.167020 1
-1.781871 9.097953 0
-0.566606 5.749003 1
0.931635 1.589505 1
-0.024205 6.151823 1
-0.036453 2.690988 1
-0.196949 0.444165 1
1.014459 5.754399 1
1.985298 3.230619 1
-1.693453 -0.557540 1
-0.576525 11.778922 0
-0.346811 -1.678730 1
-2.124484 2.672471 1
1.217916 9.597015 0
-0.733928 9.098687 0
-3.642001 -1.618087 1
0.315985 3.523953 1
1.416614 9.619232 0
-0.386323 3.989286 1
0.556921 8.294984 1
1.224863 11.587360 0
-1.347803 -2.406051 1
1.196604 4.951851 1
0.275221 9.543647 0
0.470575 9.332488 0
-1.889567 9.542662 0
-1.527893 12.150579 0
-1.185247 11.309318 0
-0.445678 3.297303 1
1.042222 6.105155 1
-0.618787 10.320986 0
1.152083 0.548467 1
0.828534 2.676045 1
-1.237728 10.549033 0
-0.683565 -2.166125 1
0.229456 5.921938 1
-0.959885 11.555336 0
0.492911 10.993324 0
0.184992 8.721488 0
-0.355715 10.325976 0
-0.397822 8.058397 0
0.824839 13.730343 0
1.507278 5.027866 1
0.099671 6.835839 1
-0.344008 10.717485 0
1.785928 7.718645 1
-0.918801 11.560217 0
-0.364009 4.747300 1
-0.841722 4.119083 1
0.490426 1.960539 1
-0.007194 9.075792 0
0.356107 12.447863 0
0.342578 12.281162 0
-0.810823 -1.466018 1
2.530777 6.476801 1
1.296683 11.607559 0
0.475487 12.040035 0
-0.783277 11.009725 0
0.074798 11.023650 0
-1.337472 0.468339 1
-0.102781 13.763651 0
-0.147324 2.874846 1
0.518389 9.887035 0
1.015399 7.571882 0
-1.658086 -0.027255 1
1.319944 2.171228 1
2.056216 5.019981 1
-0.851633 4.375691 1
-1.510047 6.061992 0
-1.076637 -3.181888 1
1.821096 10.283990 0
3.010150 8.401766 1
-1.099458 1.688274 1
-0.834872 -1.733869 1
-0.846637 3.849075 1
1.400102 12.628781 0
1.752842 5.468166 1
0.078557 0.059736 1
0.089392 -0.715300 1
1.825662 12.693808 0
0.197445 9.744638 0
0.126117 0.922311 1
-0.679797 1.220530 1
0.677983 2.556666 1
0.761349 10.693862 0
-2.168791 0.143632 1
1.388610 9.341997 0
0.317029 14.739025 0
import numpy as np
import array
import random
#数据加载
def loadDataSet():
dataMat = []
labelMat = []
fr = open('D:/yy-study/python/machine-learning/6.逻辑回归/testSet.txt')
for line in fr.readlines():
#对于每行数据,使用strip去掉前后的空格,使用split按照空格拆分成一个列表lineArr。
#将lineArr中的第一个元素转换成float类型并作为样本的第一个特征,将lineArr中的第二个元素转换成float类型并作为样本的第二个特征。
#将lineArr中的第三个元素转换成int类型并作为样本的标签。
lineArr = line.strip().split()
dataMat.append([1.0,float(lineArr[0]),float(lineArr[1])])
labelMat.append(int(lineArr[2]))
return dataMat,labelMat
#将样本特征和标签分别添加到dataMat和labelMat中,并返回它们。
#Sigmoid函数
def sigmoid(inX):
return 1.0/(1+np.exp(-inX))
以下这段代码是实现Logistic回归模型的核心部分,采用梯度上升算法来更新模型参数。具体实现如下:
首先,将输入的样本数据和标签转化为numpy的矩阵形式,方便后续的矩阵运算。
然后,获取样本矩阵的行数和列数,同时设置学习率alpha
和最大迭代次数maxCycles
。
初始化权重向量weight
,其中所有元素均为1.0。
在进行梯度上升迭代时,我们需要计算当前权重向量对应的模型预测值h
,并计算误差值error
。其中,模型预测值的计算采用了前面提到的sigmoid函数。
接着,根据梯度上升的迭代公式,更新权重向量weight
。在这里,我们使用矩阵运算来计算梯度,可以极大地简化代码编写和运算速度。
在每次迭代中,我们都更新了一次权重向量weight
。当达到最大迭代次数或者误差足够小的时候,算法停止迭代,并返回最终权重向量。
def gradAscent(dataMathIn,classLabel):
dataMatrix = np.mat(dataMathIn) #将列表转化为numpy的矩阵
labelMat = np.mat(classLabel).transpose() #将列表转化为矩阵,并求转置(transpose)
m,n = np.shape(dataMatrix)
alpha = 0.001
maxCycles = 500 #迭代次数
weight = np.ones((n,1))
for k in range(maxCycles):
h = sigmoid(dataMatrix*weight)
error = labelMat - h #(y-h)误差值
weight = weight + alpha*dataMatrix.transpose()*error #w=w+alpha*(y-h)*x梯度上升的迭代公式
return weight
#画出决策边界
def plotBestFit(weight):
import matplotlib.pyplot as plt
dataMat,labelMat = loadDataSet()
dataArr = np.array(dataMat)
n = np.shape(dataArr)[0] #[0]求dataArr的行数,1,是求列数
xcord1 = []
ycord1 = []
xcord2 = []
ycord2 = []
for i in range(n): #分类
if int(labelMat[i]==1):
xcord1.append(dataArr[i,1])
ycord1.append(dataArr[i,2])
else:
xcord2.append(dataArr[i,1])
ycord2.append(dataArr[i,2])
fig = plt.figure()
ax = fig.add_subplot(111) #添加subplot
ax.scatter(xcord1,ycord1,s = 30,c='red',marker = 's') #绘制正样本
ax.scatter(xcord2,ycord2,s = 30, c = 'green') #绘制负样本
w = np.array(weight)
x = np.arange(-3.0,3.0,0.1) #X轴的取值范围
y = (-w[0] - w[1] * x) / w[2] #设sigmoid =0,因为sigmoid = 0是两种类别的分界线 sigmoid = w0x0+w1x1+w2x2 = 0
ax.plot(x,y)
plt.xlabel('X1')
plt.ylabel('X2')
plt.show()
#随机梯度上升
def stoGradAscent0(dataMatrix,classLabels):
dataMatrix=np.array(dataMatrix)
m,n = np.shape(dataMatrix)
alpha = 0.01
weight = np.ones(n) #获取样本数组的行数和列数,设置学习率alpha和初始化权重向量weight,其中所有元素均为1.0。
#在每次迭代中,随机选择一个样本,计算该样本对应的模型预测值h,并计算误差值error。其中,模型预测值的计算采用了前面提到的sigmoid函数。
#接着,根据随机梯度上升的迭代公式,更新权重向量weight。在这里,我们使用数组运算来计算梯度,可以极大地简化代码编写和运算速度。
for i in range(m):
h = sigmoid(sum(dataMatrix[i]*weight))
error = classLabels[i] - h
weight = weight +alpha*error*dataMatrix[i]
return weight
#随机梯度算法的改进
def stoGradAscent1(dataMatrix,classLabels,numIter = 150):
dataMatrix=np.array(dataMatrix)
m,n = np.shape(dataMatrix)
weight = np.ones(n)
for j in range(numIter):
dataIndex = list(range(m))
for i in range(m):
alpha = 4/(1.0+j+i)+0.01 #降低alpha的大小,每次减小1/(j+i)。
randIndex = int(random.uniform(0,len(dataIndex))) #随机选取样本,可以实现随机选取更新
h = sigmoid(sum(dataMatrix[randIndex]*weight))
error = classLabels[randIndex] - h
weight = weight + alpha*error*dataMatrix[randIndex]
del(dataIndex[randIndex])
return weight
dataMat,labelMat = loadDataSet()
# weight=gradAscent(dataMat,labelMat)
weight = stoGradAscent1(dataMat,labelMat)
plotBestFit(weight)
实验小结
在本次Logistic回归实验中,我使用了梯度上升算法和随机梯度上升算法来训练模型。通过实验,我得出了以下结论和总结:
-
数据预处理:在实验开始之前,我对数据进行了适当的预处理,包括数据清洗、特征选择和特征缩放。这些步骤有助于提高模型对数据的拟合效果。
-
算法选择:我比较了梯度上升算法和随机梯度上升算法的性能表现。在实验中发现,随机梯度上升算法在处理大规模数据集时具有一定的优势,而梯度上升算法在小规模数据集上可能更有效。