【pytorch_6】Logistic回归的实现

最新推荐文章于 2023-08-11 17:07:14 发布
最新推荐文章于 2023-08-11 17:07:14 发布
阅读量469 收藏
点赞数 1
分类专栏： 深度学习 文章标签： 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/sinat_37439203/article/details/108937206
版权

1. Logistic 函数

函数可以将输出映射到[0,1]之间，函数会逐渐趋于平稳，即饱和，对应着导数会越来越小（至少会>0）。如图：

 

2. 定义模型

 

3. 定义Loss损失和优化

Loss函数：

首先线性回归的损失函数使用的是：

最低0.47元/天 解锁文章
Sugaiiii777
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Python plt.plot画图
dannyle的博客
10-07 2402
当想对plot的颜色，线宽，线形，maker标记的大小、形状，以及maker标记超出页面进行设置时，可以对以下参数进行修改
pytorch学习：逻辑回归代码
xckkcxxck的博客
09-02 978
# -*- coding: utf-8 -*- """ Created on Sun Sep 2 09:50:01 2018 @author: www """ import torch from torch.autograd import Variable import numpy as np import matplotlib.pyplot as plt #设定随机种子 torch.m...
PyTorch深度学习实践 第六讲---实现Logistic回归
weixin_43224291的博客
10-14 268
Demo6：Logistic回归
PyTorch 深度学习实践 第6讲 逻辑斯蒂回归（logistic）
weixin_45963712的博客
08-11 65
0-9，类别特征 P(0)~P（9）
Pytorch之Logistic逻辑回归
Marlene_Jiang的博客
02-20 1617
前话 今天刚好是python生日，最适合写py了 50万轮就已经让我喝了好久的茶了。 这些实战都是来源于书里，可真真切切的自己动手写出来才发现书里的代码问题很多。。 思路 先拟合决策边界（不一定是线性函数，可以是其他非线性函数），再建立决策边界和概率之间的关系，从而得到不同分类的概率。 大体和线性回归模型类似，但逻辑回归中多了一个Sigmoid函数，对wx+b的结果做判断，这里以0.5为分界线，大于或等于0.5为正类，小于0.5为负类。 代码 # sigmod函数 import math import t.
猫-非猫图二分类_逻辑回归_pytorch_二分类_machinelearning_
10-03
代码用于猫-非猫图片的二分类问题（附件内给出h5py格式的数据集），基于Pytorch神经网络工具包，采用比较经典的逻辑回归（Logistic Regression）算法。
PyTorch框架利用torch.nn实现Logistic回归
08-11
Torch.nn模块是Pytorch为神经网络设计的模块化接口，定义了不同的网络层。Torch.nn 利用autograd来定义模型，数据结构为Module。代码运行在Python 3.9.7版本以及Pytorch 1.10版本中。代码均在pycharm上运行，均能...
基于pytorch的logistic与softmax回归模型python代码
12-11
本文件是logistic与softmax回归模型的python代码，使用的平台为pycharm，通过该程序可实现对深度学习中的回归有基础的了解，文件包含程序代码和相应报告
16 - Pytorch​​构建Logistic二分类模型
最新发布
02-03
在逻辑回归中预测的目标变量不是连续的，而是离散的。可以应用逻辑回归的一个示例是电子邮件分类：标识为垃圾邮件或非垃圾邮件。图片分类、文字分类都属于这一类。
pytorch实验.rar
08-23
基于pytorch的实现logistic和softmax回归，模型的创建分别含手动和torch，博客见https://blog.csdn.net/qq_37534947/article/details/108179408
基于pytorch的logistic回归从零开始实现
军魂的博客
05-08 1758
一、概要 搭建基于logistic模型的神经网络，完成对数据的二分类。本文将结合代码阐述搭建过程，最后给出完整代码以及运行结果。 二、神经网络搭建步骤 1、生成数据集 在这里插入代码片
matplotlib入门之plt.plot折线图跟常用基本函数
热门推荐
weixin_46707493的博客
08-16 2万+
目录 一、简单折线图 二、常用基本函数:plt.xticks,plt.yticks,ply.xlim,plt.ylim,plt.xlabel,plt,ylabel,plt.title,plt.legend等 三、折线图函数plt.plot()的参数介绍及详解 四、调整坐标轴：plt.spines[] 五、文本标注：plt.text() 六、文本箭头注释:plt.annotate() 七、绘图的填充：plt.fill_between() 八、归纳练习 一、简单折线图 1、调用包： im
torch.nn.BCELoss参数详解
Mrlione的博客
11-06 5620
定义 数学公式为Loss = -w * [p * log(q) + (1-p) * log(1-q)]，其中p、q分别为理论标签、实际预测值，w为权重。这里的log对应数学上的ln。 PyTorch对应函数为： torch.nn.BCELoss(weight=None, size_average=None, reduce=None, reduction=‘mean’) 计算目标值和预测值之间的二进制交叉熵损失函数。 有四个可选参数：weight、size_average、reduce、reduction (
用PyTorch类实现Logistic regression
devcy的博客
04-11 422
用PyTorch类实现Logistic regression1.PyTorch基础实现代码2.用PyTorch类实现Logistic regression,torch.nn.module写网络结构 1.PyTorch基础实现代码 import torch from torch.autograd import Variable torch.manual_seed(2) x_data = Vari...
Logistic Regression的PyTorch实现
哈哈哈哈哈嗝哈哈哈
11-28 1517
Index 目录索引写在前面问题描述与分析Logistic Regression的数学原理logistic 函数PyTorch代码实现参考文章 写在前面 深度学习主要分为回归和分类这两个任务，本文将用一个分类的例子，使用PyTorch来搭建人工智能神经网络1，讲解如何搭建用通用模板来搭建一个完整的分类网络模型。【这是深度学习数学原理专题系列的第四篇文章】 问题描述与分析 本文的分类案例，是一个二分类问题，目的是要根据输入的学习时间，来预测能否考试合格，最终输出是考试通过的概率。 题目中给出的数据表明，学
PyTorch实现Logistic regression
CJ-的博客
04-12 1186
PyTorch基础实现代码 import numpy as np import torch from torch.autograd import Variable torch.manual_seed(2) x_data=Variable(torch.Tensor([[1.0],[2.0],[3.0],[4.0]])) y_data=Variable(torch.Tensor([[0.0],[0.0...
刘二PyTorch深度学习（五）——Logistic Regression
zhaoweiaier的博客
08-20 301
Logistic 实现线性回归
plt.plot()函数具体详解
u012413709的博客
06-02 7278
https://www.jianshu.com/p/ed3f31fc6a41 https://blog.csdn.net/lzyilzy/article/details/91396859
Logistic回归（分类问题）
zy的博客
03-16 260
代码 import torch import torch.nn.functional as F import numpy as np import matplotlib.pyplot as plt 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): ..
pytorch实现logistic回归
06-28
### 回答1： PyTorch实现Logistic回归的步骤如下： 1. 导入必要的库和数据集。 2. 定义模型：Logistic回归模型通常由一个线性层和一个sigmoid函数组成。 3. 定义损失函数：Logistic回归使用二元交叉熵作为损失函数。 4. 定义优化器：使用随机梯度下降（SGD）作为优化器。 5. 训练模型：使用训练数据集训练模型，并在每个epoch后计算损失函数和准确率。 6. 测试模型：使用测试数据集测试模型，并计算准确率。 7. 可视化结果：使用matplotlib库可视化训练和测试的损失函数和准确率。 下面是一个简单的PyTorch实现Logistic回归的示例代码： ``` import torch import torch.nn as nn import torch.optim as optim import matplotlib.pyplot as plt # 导入数据集 from sklearn.datasets import load_breast_cancer data = load_breast_cancer() X = data.data y = data.target # 将数据转换为张量 X = torch.tensor(X, dtype=torch.float32) y = torch.tensor(y, dtype=torch.float32) # 定义模型 class LogisticRegression(nn.Module): def __init__(self): super(LogisticRegression, self).__init__() self.linear = nn.Linear(X.shape[1], 1) self.sigmoid = nn.Sigmoid() def forward(self, x): x = self.linear(x) x = self.sigmoid(x) return x model = LogisticRegression() # 定义损失函数和优化器 criterion = nn.BCELoss() optimizer = optim.SGD(model.parameters(), lr=.01) # 训练模型 losses = [] accuracies = [] for epoch in range(100): # 前向传播 y_pred = model(X) # 计算损失函数和准确率 loss = criterion(y_pred, y.view(-1, 1)) accuracy = ((y_pred > .5).float() == y.view(-1, 1)).float().mean() # 反向传播和优化 optimizer.zero_grad() loss.backward() optimizer.step() # 记录损失函数和准确率 losses.append(loss.item()) accuracies.append(accuracy.item()) # 打印训练过程 print('Epoch [{}/{}], Loss: {:.4f}, Accuracy: {:.4f}'.format(epoch+1, 100, loss.item(), accuracy.item())) # 测试模型 with torch.no_grad(): y_pred = model(X) accuracy = ((y_pred > .5).float() == y.view(-1, 1)).float().mean() print('Test Accuracy: {:.4f}'.format(accuracy.item())) # 可视化结果 plt.plot(losses) plt.title('Training Loss') plt.xlabel('Epoch') plt.ylabel('Loss') plt.show() plt.plot(accuracies) plt.title('Training Accuracy') plt.xlabel('Epoch') plt.ylabel('Accuracy') plt.show() ``` 在这个示例中，我们使用了乳腺癌数据集作为示例数据集。我们首先将数据集转换为张量，然后定义了一个Logistic回归模型。我们使用二元交叉熵作为损失函数，使用随机梯度下降（SGD）作为优化器。我们训练模型并记录损失函数和准确率，然后使用测试数据集测试模型并计算准确率。最后，我们使用matplotlib库可视化训练和测试的损失函数和准确率。 ### 回答2： Logistic回归是一种二元分类算法，其主要目的是根据给定的输入数据，预测其所属的类别。在本文中，我们将介绍如何使用PyTorch来实现Logistic回归。 首先，我们需要导入必要的PyTorch库： import torch import torch.nn as nn import torch.optim as optim 然后，我们需要定义我们的数据集。这里我们假设我们有n个数据样本，每个样本包含m个特征和一个二元类别。我们可以将这些数据存储在两个PyTorch张量中：一个包含特征，一个包含类别标签。 x = torch.randn(n, m) # 特征张量 y = torch.randint(high=2, size=(n, 1)).float() # 类别标签张量 接下来，我们需要定义我们的Logistic回归模型。这里我们将使用一个包含单个线性层的简单神经网络，以及一个sigmoid激活函数。 class LogisticRegression(nn.Module): def __init__(self, input_size): super(LogisticRegression, self).__init__() self.linear = nn.Linear(input_size, 1) def forward(self, x): output = self.linear(x) output = torch.sigmoid(output) return output model = LogisticRegression(m) 接下来，我们需要定义我们的损失函数和优化器。对于Logistic回归，通常使用二元交叉熵作为损失函数，使用随机梯度下降作为优化器。 criterion = nn.BCELoss() optimizer = optim.SGD(model.parameters(), lr=0.1) 现在我们可以开始训练我们的模型了。首先，我们将定义训练的迭代次数。然后，我们将循环n_epochs次并在每次迭代中计算模型的损失和梯度，并使用优化器更新模型参数。 n_epochs = 1000 for epoch in range(n_epochs): # 前向传播 y_pred = model(x) # 计算损失 loss = criterion(y_pred, y) # 反向传播 optimizer.zero_grad() loss.backward() optimizer.step() # 输出当前损失 if epoch % 100 == 0: print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, n_epochs, loss.item())) 最后，我们可以使用训练好的模型预测新的数据。我们只需要将数据传递给模型，然后将输出映射到二元类别。 with torch.no_grad(): y_pred = model(new_data) prediction = (y_pred >= 0.5).float() print('Prediction:', prediction) 总的来说，使用PyTorch实现Logistic回归非常简单。我们只需要定义模型，损失函数和优化器，然后使用反向传播更新模型参数。当然，在实现Logistic回归模型时还有许多其他的考虑因素，例如数据预处理和超参数调整，但这些在这篇文章里并没有讨论。 ### 回答3： pytorch是一个开源的机器学习框架，它可以帮助我们快速实现各种机器学习算法。其中，logistic回归是一个经典的二分类算法，我们可以使用pytorch来实现它。 首先，我们需要准备好数据集。通常情况下，我们会将数据集划分为训练集和测试集，用训练集来训练模型，用测试集来测试模型的性能。 然后，我们需要定义模型。对于logistic回归来说，模型通常只有一层线性层和一个sigmoid激活函数。这可以通过pytorch中的nn.Linear和nn.Sigmoid来实现。 接下来，我们需要定义损失函数和优化器。对于logistic回归来说，常用的损失函数是二元交叉熵损失函数。优化器可以选择随机梯度下降法。 然后，我们可以通过迭代训练集中的样本来训练模型。具体来说，对于每一个样本，我们需要调用模型来预测其所属类别，计算预测值和真实值之间的误差，并根据误差更新模型的参数。这可以通过pytorch中的backward和step方法来实现。 最后，我们可以使用测试集来测试模型的性能。具体来说，对于每一个样本，我们需要调用模型来预测其所属类别，并将预测结果和真实值进行比较，计算分类准确率。 以上就是用pytorch实现logistic回归的基本步骤。当然，实际应用中还有很多需要注意和优化的地方，比如数据预处理、超参数调整等等。但是掌握了基本的实现方法，我们就可以应用pytorch来实现各种机器学习算法了。

“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

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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