1.Logistic回归为什么可以用于分类?
谈这个问题之前,先谈下:一般来说,我们如何用一个模型做分类?
一般的,在机器学习中,使用一个模型做分类的前提,是根据数据(包含样本和标签)训练出一个模型,再用这个训练好的模型做新样本的分类。
比如 x=[1,2,3],y=[2,4,6]. 给出一个x=4,y=?
我们就可以根据现有的数据来训练出一个模型,这里根据数据特点,选用线性回归模型。
这里使用pytorch封装好的线性回归模型,来进行实现
import torch
x_data = torch.tensor([[1.0],[2.0],[3.0]])
y_data = torch.tensor([[2.0],[4.0],[6.0]])
class LinearModel(torch.nn.Module):
def __init__(self):
super(LinearModel,self).__init__()
self.linear = torch.nn.Linear(1,1)
def forward(self,x):
y_pred = self.linear(x)
return y_pred
model = LinearModel()
criterion = torch.nn.MSELoss(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()
print("w=",model.linear.weight.item())
print("b=",model.linear.bias.item())
x_test = torch.Tensor([[4.0]])
y_test = model(x_test)
print