python实现logistic分类算法

最近在看吴恩达的机器学习课程，自己用python实现了其中的logistic算法，并用梯度下降获取最优值。
logistic分类是一个二分类问题，而我们的线性回归函数

的取值在负无穷到正无穷之间，对于分类问题而言，我们希望假设函数的取值在0~1之间，因此logistic函数的假设函数需要改造一下

由上面的公式可以看出，0 < h(x) < 1，这样，我们可以以1/2为分界线

cost function可以这样定义

其中，m是样本的数量，初始时θ可以随机给定一个初始值，算出一个初始的J(θ)值，再执行梯度下降算法迭代，直到达到最优值，我们知道，迭代的公式主要是每次减少一个偏导量

如果将J(θ)代入化简之后，我们发现可以得到和线性回归相同的迭代函数

按照这个迭代函数不断调整θ的值，直到两次J(θ)的值差值不超过某个极小的值之后，即认为已经达到最优解，这其实只是一个相对较优的解，并不是真正的最优解。 其中，α是学习速率，学习速率越大，就能越快达到最优解，但是学习速率过大可能会让惩罚函数最终无法收敛，整个过程python的实现如下

import math

ALPHA = 0.3
DIFF = 0.00001


def predict(theta, data):
    results = []
    for i in range(0, data.__len__()):
        temp = 0
        for j in range(1, theta.__len__()):
            temp += theta[j] * data[i][j - 1]
        temp = 1 / (1 + math.e ** (-1 * (temp + theta[0])))
        results.append(temp)
    return results


def training(training_data):
    size = training_data.__len__()
    dimension = training_data[0].__len__()
    hxs = []
    theta = []
    for i in range(0, dimension):
        theta.append(1)
    initial = 0
    for i in range(0, size):
        hx = theta[0]
        for j in range(1, dimension):
            hx += theta[j] * training_data[i][j]
        hx = 1 / (1 + math.e ** (-1 * hx))
        hxs.append(hx)
        initial += (-1 * (training_data[i][0] * math.log(hx) + (1 - training_data[i][0]) * math.log(1 - hx)))
    initial /= size
    iteration = initial
    initial = 0
    counts = 1
    while abs(iteration - initial) > DIFF:
        print("第", counts, "次迭代, diff=", abs(iteration - initial))
        initial = iteration
        gap = 0
        for j in range(0, size):
            gap += (hxs[j] - training_data[j][0])
        theta[0] = theta[0] - ALPHA * gap / size
        for i in range(1, dimension):
            gap = 0
            for j in range(0, size):
                gap += (hxs[j] - training_data[j][0]) * training_data[j][i]
            theta[i] = theta[i] - ALPHA * gap / size
            for m in range(0, size):
                hx = theta[0]
                for j in range(1, dimension):
                    hx += theta[j] * training_data[i][j]
                hx = 1 / (1 + math.e ** (-1 * hx))
                hxs[i] = hx
                iteration += -1 * (training_data[i][0] * math.log(hx) + (1 - training_data[i][0]) * math.log(1 - hx))
            iteration /= size
        counts += 1
    print('training done,theta=', theta)
    return theta


if __name__ == '__main__':
    training_data = [[1, 1, 1, 1, 0, 0], [1, 1, 0, 1, 0, 0], [1, 0, 1, 0, 0, 0], [0, 0, 0, 0, 1, 1], [0, 1, 0, 0, 0, 1],
                [0, 0, 0, 0, 1, 1]]
    test_data = [[0, 1, 0, 0, 0], [0, 0, 0, 0, 1]]
    theta = training(training_data)
    res = predict(theta, test_data)
    print(res)

运行结果如下