主要思想:
根据现有数据对分类边界建立回归公司,以此进行分类;
目的:
寻找最佳拟合参数,使用的是最优化算法。
一般过程:
- 收集数据:采用任意方法收集数据。
- 准备数据:由于需要进行距离计算,因此要求数据类型为数值型。另外,结构化数据格式则最佳。
- 分析数据:采用任意方法对数据进行分析。
- 训练算法:大部分时间将用于训练,训练的目的是为了找到最佳的分类回归系数。
- 测试算法:一旦训练步骤完成,分类将会很快。
- 使用算法:首先,我们需要一些输入数据,并将其转换成对应的结构化数值;接着,基于训练好的回归系数就可以对这些数值进行简单的回归计算,判定它们属于哪个类别;在这之后,我们就可以在输出的类别上做一下其他分析工作。
优缺点:
优点:计算代价不高,易于理解和实现。
缺点:容易欠拟合,分类精度可能不高
Sigmoid函数:
得到一个0~1之间的数值
基于最优化方法的最佳回归系数确定:
Sigmoid函数的输入记为z,z=W0X0 + W1X1 + ... WnXn
z = wTx
梯度上升法
思想
要找到某函数的最大值,最好的方法时沿着该函数的梯度方向探寻
w := w + α▽wf(w)
该公式将一直被迭代执行,直至达到某个停止条件为止。
梯度下降法
与梯度上升法一致,加号变减号
训练算法
梯度上升法伪代码:
每个回归系数初始化为1
重复R次:
计算整个数据集的梯度
使用`alpha x gradient`更新回归系数的向量
返回回归系数
logRegress.py
from numpy import *
import matplotlib.pyplot as plt
#加载数据
def loadData():
dataMat = []
labelMat = []
fr = open("G:/kaggle/pratice/machinelearninginaction-master/Ch05/testSet.txt")
for line in fr.readlines():
lineArr = line.strip().split()
dataMat.append([1.0,float(lineArr[0]),float(lineArr[1])])
labelMat.append(int(lineArr[2]))
return dataMat,labelMat
#阶跃函数
def sigmoid(inX):
return 1.0/(1+exp(-inX))
def gradAscent(dataMatIn,classLabel):
dataMatrix = mat(dataMatIn)#将dataMatIn转为矩阵,每行代表一个训练样本
labelMat = mat(classLabel).transpose()#将classLabel转为矩阵并且进行转置
m,n = shape(dataMatrix) #获取dataMatrix的形状性质
alpha = 0.001
maxCycles = 500
weights = ones((n,1)) #初始化回归系数为1
#计算整个数据集的梯度
for k in range(maxCycles):
h = sigmoid(dataMatrix * weights)
error = labelMat - h
weights = weights + alpha * dataMatrix.transpose() * error
return weights
def plotBestFit(weight):
weights = weight.getA() #转换为array
dataMat,labelMat = loadData()
dataArr = array(dataMat)
n = shape(dataArr)[0] #获取长度
xcord1 = [] ; ycord1 = []
xcord2 = [] ; ycord2 = []
for i in range(n):
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)
ax.scatter(xcord1,ycord1,s = 30,c ='red',marker = 's')
ax.scatter(xcord2,ycord2,s = 30,c = 'green')
x = arange(-3.0,3.0,0.1) #从-3.0 到 3.0 步长为0.1
#这里设定0 = w0x0 + w1x1 + w2x2,其中x0=1,x1=x,y=x2,求得x2 = (-w0x0-w1x1)/w2
#最佳拟合直线
y = (-weights[0] - weights[1]*x)/weights[2]
ax.plot(x,y)
plt.xlabel('X1')
plt.ylabel('X2')
plt.show()
dataMat,labelMat = loadData()
wei = gradAscent(dataMat,labelMat)
plotBestFit(wei)
显示结果:
随机梯度上升算法伪代码:
所有回归系数初始化为1:
对数据及中每个样本:
计算该样本的梯度
使用`alpha x gradient 更新回归系数值`
返回回归系数值
def stocGradAscent0(dataMatrix,classLabel):
m,n = shape(dataMatrix)
alpha = 0.01
weights = ones(n)
for i in range(m):
h = sigmoid(sum(dataMatrix[i] * weights))
error = classLabel[i] - h
weights = weights + alpha * error * dataMatrix[i]
return weights
dataMat,labelMat = loadData()
wei = stocGradAscent0(array(dataMat),labelMat)
plotBestFit(wei)
注:此次调用plotBestFit()函数时,要将weight = weights.getA()注释掉,因为此时的weight为array,不需要转换
回归系数与迭代此时的关系图:
其中:x0红色,x1绿色,x2l蓝色
代码如下:
def stocGradAsscent(dataMatrix,classLabel):
m,n = shape(dataMatrix)
alpha = 0.01
weights = ones(n)
weights0 = []
weights1 = []
weights2 = []
for j in range(200):
for i in range(m):
h = sigmoid(sum(dataMatrix[i] * weights))
error = classLabel[i] - h
weights = weights + alpha * error * dataMatrix[i]
weights0.append(weights[0])
weights1.append(weights[1])
weights2.append(weights[2])
return weights,weights0,weights1,weights2
def plotLiner(weights0,weights1,weights2):
fig =plt.figure()
ax = fig.add_subplot(111)
y = list(range(20000))
ax.plot(y,weights0,c = 'red')
ax.plot(y,weights1,c = 'green')
ax.plot(y,weights2)
plt.xlabel('iteration')
plt.ylabel('X')
plt.show()
dataMat,labelMat = loadData()
wei,weights0,weights1,weights2 = stocGradAsscent(array(dataMat),labelMat)
plotLiner(weights0,weights1,weights2)
结果如图所示:
由图可发现,weights1最先达到稳定,而weights0和weights2则需要更多的迭代次数
改进随机梯度上升算法
def stocGradAscent1(dataMatrix,classLabel,numIter = 150):
m,n = shape(dataMatrix)
weights = ones(n)
for j in range(numIter):
dataIndex = range(m)
for i in range(m):
alpha = 4/(1.0+j+i) + 0.01
randIndex = int(random.uniform(0,len(dataIndex)))
h = sigmoid(sum(dataMatrix[randIndex] * weights))
error = classLabel[randIndex] - h
weights = weights + alpha * error * dataMatrix[randIndex]
return weights
dataMat,labelMat = loadData()
weights = stocGradAscent1(array(dataMat),labelMat)
plotBestFit(weights)
结果:
各参数变化:
代码参照上边收敛做法。
由图可得,收敛速度明显加快