逻辑回归基本思想
逻辑回归:通过回归的思想来解决二分类问题的算法。
将样本所属正例的概率作为模型的输出,根据此概率值对样本的类别进行预测。
- 在线性回归中回归的输出的值域在(-∞,+∞)
- 逻辑回归中概率的值域在(0,1)
所以我们要使用逻辑回归解决一个问题就必须要找到一个函数,这个函数可以将线性回归得到的(-∞,+∞)的实数转换成(0,1)的概率值 。
逻辑回归中就是使用Sigmoid函数实现这种转换!
单位阶跃函数与对数几率函数
逻辑回归的损失函数
对数损失函数(交叉熵损失函数)
梯度下降法
- 梯度:一个函数的全部偏导数构成的向量
- 梯度向量的方向为函数值增长最快的方向,沿着梯度方向可以最快的找到函数的最大值,而我们要求解误差(损失函数)的最小值,所以我们要沿着梯度相反的方向。
步骤:
- (1)随机初始参数
- (2)确定学习率
- (3)求出损失函数对参数梯度
- (4)按照公式更新参数
- (5)重复(3)(4)直到满足终止条件(如:损失函数或参数更新变化值小于某个阈值,或者训练次数达到设定阈值)
逻辑回归实现二分类
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
#************sigmoid函数计算*********
def sigmoid(z):
return 1/(1+np.exp(-z))
#***********利用迭代方法求最优的w*******
def mymodel(X,Y,eta,W,iters):
i=1
while (i<=iters):
err = sigmoid(np.dot(X,W))-Y
gradient = np.dot(X.T,err)
W=W-eta*gradient
i=i+1
return W
#***********读取数据*******************
df = pd.read_csv('ex1.csv',header=None)
data = df.values
X = data[:,:-1]
Y = data[:,-1].reshape((-1,1))
#**********构造增广矩阵****************
ones = np.ones((X.shape[0],1))
X = np.hstack((ones,X))
#*********模型初始化******************
W = np.ones((X.shape[1],1))
eta = 0.001
#*********调用模型,求最优解**********
W = mymodel(X,Y,eta,W,500)
#*********绘制正例和负例*************
xcord1 = []; ycord1 = []
xcord2 = []; ycord2 = []
for i in range(X.shape[0]):
if int(Y[i])==1:
xcord1.append(X[i,1])
ycord1.append(X[i,2])
else:
xcord2.append(X[i,1])
ycord2.append(X[i,2])
plt.scatter(xcord1,ycord1,s = 20, c = 'red', marker = 's',alpha=.5)
plt.scatter(xcord2, ycord2, s = 20, c = 'green',alpha=.5)
#*********绘制决策边界************
x_w = np.linspace(-3,3,100)
y_w = (-W[0]-W[1]*x_w)/W[2]
print(W)
plt.plot(x_w,y_w,c='blue')
plt.show()
ex1.csv
:
-0.017612 14.053064 0
-1.395634 4.662541 1
-0.752157 6.53862 0
-1.322371 7.152853 0
0.423363 11.054677 0
0.406704 7.067335 1
0.667394 12.741452 0
-2.46015 6.866805 1
0.569411 9.548755 0
-0.026632 10.427743 0
0.850433 6.920334 1
1.347183 13.1755 0
1.176813 3.16702 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 -0.55754 1
-0.576525 11.778922 0
-0.346811 -1.67873 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 11.58736 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 4.7473 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 11.02365 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 10.28399 0
3.01015 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 -0.7153 1
1.825662 12.693808 0
0.197445 9.744638 0
0.126117 0.922311 1
-0.679797 1.22053 1
0.677983 2.556666 1
0.761349 10.693862 0
-2.168791 0.143632 1
1.38861 9.341997 0
0.317029 14.739025 0
多分类学习
拆解法:将一个多分类任务分成若干个二分类任务求解。
- 一对一(OvO方法,需要N(N-1)/2个分类器)
- 一对其它(OvR方法,需要N个分类器)
- 多对多(MvM方法,其中之一:纠错输出码)
预测性能取决于具体数据分布,多数情况下两者差不多