用python做逻辑回归_机器学习之逻辑回归(纯python实现)

logistic回归是一种广义的线性回归，通过构造回归函数，利用机器学习来实现分类或者预测。

原理

上一文简单介绍了线性回归，与逻辑回归的原理是类似的。

预测函数(h)。该函数就是分类函数，用来预测输入数据的判断结果。过程非常关键，需要预测函数的“大概形式”， 比如是线性还是非线性的。

本文参考机器学习实战的相应部分，看一下数据集。

// 两个特征

-0.017612 14.053064 0

-1.395634 4.662541 1

-0.752157 6.538620 0

-1.322371 7.152853 0

0.423363 11.054677 0

0.406704 7.067335 1

image.png

如上图，红绿代表两种不同的分类。可以预测分类函数大概是一条直线。

Cost函数(损失函数)：该函数预测的输出h和训练数据类别y之间的偏差，(h-y)或者其他形式。综合考虑所有训练数据的cost， 将其求和或者求平均，极为J函数， 表示所有训练数据预测值和实际值的偏差。

显然，J函数的值越小，表示预测的函数越准确(即h函数越准确)，因此需要找到J函数的最小值。有时需要用到梯度下降。

具体过程

构造预测函数

逻辑回归名为回归，实际为分类，用于两分类问题。

这里直接给出sigmoid函数。

image.png

image.png

接下来确定分类的边界，上面有提到，该数据集需要一个线性的边界。

不同数据需要不同的边界。

image.png

确定了分类函数，将其输入记做z ，那么

image.png

向量x是特征变量, 是输入数据。此数据有两个特征，可以表示为z = w0x0 + w1x1 + w2x2。w0是常数项，需要构造x0等于1(见后面代码)。

向量W是回归系数特征，T表示为列向量。

之后就是确定最佳回归系数w(w0, w1, w2)。

cost函数

综合以上，预测函数为：

image.png

image.png

这里不做推导，可以参考文章 Logistic回归总结

image.png

有了上述的cost函数，可以使用梯度上升法求函数J的最小值。推导见上述链接。

综上：梯度更新公式如下：

image.png

接下来是python代码实现：

# sigmoid函数和初始化数据

def sigmoid(z):

return 1 / (1 + np.exp(-z))

def init_data():

data = np.loadtxt('data.csv')

dataMatIn = data[:, 0:-1]

classLabels = data[:, -1]

dataMatIn = np.insert(dataMatIn, 0, 1, axis=1) #特征数据集，添加1是构造常数项x0

return dataMatIn, classLabels

// 梯度上升

def grad_descent(dataMatIn, classLabels):

dataMatrix = np.mat(dataMatIn) #(m,n)

labelMat = np.mat(classLabels).transpose()

m, n = np.shape(dataMatrix)

weights = np.ones((n, 1)) #初始化回归系数(n, 1)

alpha = 0.001 #步长

maxCycle = 500 #最大循环次数

for i in range(maxCycle):

h = sigmoid(dataMatrix * weights) #sigmoid 函数

weights = weights + alpha * dataMatrix.transpose() * (labelMat - h) #梯度

return weights

// 计算结果

if __name__ == '__main__':

dataMatIn, classLabels = init_data()

r = grad_descent(dataMatIn, classLabels)

print(r)

输入如下：

[[ 4.12414349]

[ 0.48007329]

[-0.6168482 ]]

上述w就是所求的回归系数。w0 = 4.12414349, w1 = 0.4800, w2=-0.6168

之前预测的直线方程0 = w0x0 + w1x1 + w2x2， 带入回归系数，可以确定边界。

x2 = (-w0 - w1*x1) / w2

画出函数图像：

def plotBestFIt(weights):

dataMatIn, classLabels = init_data()

n = np.shape(dataMatIn)[0]

xcord1 = []

ycord1 = []

xcord2 = []

ycord2 = []

for i in range(n):

if classLabels[i] == 1:

xcord1.append(dataMatIn[i][1])

ycord1.append(dataMatIn[i][2])

else:

xcord2.append(dataMatIn[i][1])

ycord2.append(dataMatIn[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 = np.arange(-3, 3, 0.1)

y = (-weights[0, 0] - weights[1, 0] * x) / weights[2, 0] #matix

ax.plot(x, y)

plt.xlabel('X1')

plt.ylabel('X2')

plt.show()

如下：

image.png

算法改进

随机梯度上升

上述算法中，每次循环矩阵都会进行m * n次乘法计算，时间复杂度是maxCycles* m * n。当数据量很大时， 时间复杂度是很大。

这里尝试使用随机梯度上升法来进行改进。

随机梯度上升法的思想是，每次只使用一个数据样本点来更新回归系数。这样就大大减小计算开销。

算法如下：

def stoc_grad_ascent(dataMatIn, classLabels):

m, n = np.shape(dataMatIn)

alpha = 0.01

weights = np.ones(n)

for i in range(m):

h = sigmoid(sum(dataMatIn[i] * weights)) #数值计算

error = classLabels[i] - h

weights = weights + alpha * error * dataMatIn[i]

return weights

进行测试：

image.png

随机梯度上升的改进

def stoc_grad_ascent_one(dataMatIn, classLabels, numIter=150):

m, n = np.shape(dataMatIn)

weights = np.ones(n)

for j in range(numIter):

dataIndex = list(range(m))

for i in range(m):

alpha = 4 / (1 + i + j) + 0.01 #保证多次迭代后新数据仍然有影响力

randIndex = int(np.random.uniform(0, len(dataIndex)))

h = sigmoid(sum(dataMatIn[i] * weights)) # 数值计算

error = classLabels[i] - h

weights = weights + alpha * error * dataMatIn[i]

del(dataIndex[randIndex])

return weights

image.png

可以对上述三种情况的回归系数做个波动图。

可以发现第三种方法收敛更快。

评价算法优劣势看它是或否收敛，是否达到稳定值，收敛越快，算法越优。

总结

这里用到的梯度上升和梯度下降是一样的，都是求函数的最值， 符号需要变一下。

梯度意味着分别沿着x， y的方向移动一段距离。(cost分别对x， y)的导数。