1. 原理篇
我们用人话而不是大段的数学公式来讲讲逻辑回归是怎么一回事。
1.1 梯度下降法
请参考我的另一篇文章,在这里就不赘述。链接如下:李小文:梯度下降的原理及Python实现zhuanlan.zhihu.com
1.2 线性回归
请参考我的另一篇文章,在这里就不赘述。链接如下:李小文:线性回归的原理及Python实现zhuanlan.zhihu.com
1.3 Sigmoid函数
Sigmoid函数的表达式是:
不难得出:
所以,Sigmoid函数的值域是(0, 1),导数为y * (1 - y)
1.4 线性回归与逻辑回归
回归问题的值域是(-∞, +∞),用线性回归可以进行预测。而分类问题的值域是[0, 1],显然不可以直接用线性回归来预测这类问题。如果把线性回归的输出结果外面再套一层Sigmoid函数,正好可以让值域落在0和1之间,这样的算法就是逻辑回归。
1.5 最小二乘法
那么逻辑回归的损失函数是什么呢,根据之前线性回归的经验。
用MSE作为损失函数,有
网上很多文章都说这个函数是非凸的,不可以用梯度下降来优化,为什么非凸也没见人给出个证明。我一开始是不信的,后来对损失函数求了二阶导之后...发现求导太麻烦了,所以我还是信了吧。
1.6 极大似然估计
既然不能用最小二乘法,那么肯定是有方法求解的,极大似然估计闪亮登场。前方小段数学公式低能预警:
线性函数
1.
Sigmoid函数
2.
似然函数
3.
对似然函数两边取对数的负值
4.
对1式求导
5.
对2式求导
6.
对3式求导
7.
8.
根据5, 6, 7式:
9.
根据6, 7, 8式:
10.
注:有的同学会纠结为什么没有9和10式子1/m这个常量,其实我们后来还要设置学习率,所以基本没有影响。
2. 实现篇
本人用全宇宙最简单的编程语言——Python实现了逻辑回归算法,没有依赖任何第三方库,便于学习和使用。简单说明一下实现过程,更详细的注释请参考本人github上的代码。
2.1 创建RegressionBase类
初始化,存储权重weights和偏置项bias。
class RegressionBase(object):
def __init__(self):
self.bias = None
self.weights = None
2.2 创建LogisticRegression类
初始化,继承RegressionBase类。
class LogisticRegression(RegressionBase):
def __init__(self):
RegressionBase.__init__(self)
2.3 预测一个样本
def _predict(self, Xi):
z = sum(wi * xij for wi, xij in zip(self.weights, Xi)) + self.bias
return sigmoid(z)
2.4 计算梯度
根据损失函数的一阶导数计算梯度。
def _get_gradient_delta(self, Xi, yi):
y_hat = self._predict(Xi)
bias_grad_delta = yi - y_hat
weights_grad_delta = [bias_grad_delta * Xij for Xij in Xi]
return bias_grad_delta, weights_grad_delta
2.5 批量梯度下降
正态分布初始化weights,外层循环更新参数,内层循环计算梯度。
def _batch_gradient_descent(self, X, y, lr, epochs):
m, n = len(X), len(X[0])
self.bias = 0
self.weights = [normalvariate(0, 0.01) for _ in range(n)]
for _ in range(epochs):
bias_grad = 0
weights_grad = [0 for _ in range(n)]
for i in range(m):
bias_grad_delta, weights_grad_delta = self._get_gradient_delta(
X[i], y[i])
bias_grad += bias_grad_delta
weights_grad = [w_grad + w_grad_d for w_grad, w_grad_d
in zip(weights_grad, weights_grad_delta)]
self.bias += lr * bias_grad * 2 / m
self.weights = [w + lr * w_grad * 2 / m for w,
w_grad in zip(self.weights, weights_grad)]
2.6 随机梯度下降
正态分布初始化weights,外层循环迭代epochs,内层循环随机抽样计算梯度。
def _stochastic_gradient_descent(self, X, y, lr, epochs, sample_rate):
m, n = len(X), len(X[0])
k = int(m * sample_rate)
self.bias = 0
self.weights = [normalvariate(0, 0.01) for _ in range(n)]
for _ in range(epochs):
for i in sample(range(m), k):
bias_grad, weights_grad = self._get_gradient_delta(X[i], y[i])
self.bias += lr * bias_grad
self.weights = [w + lr * w_grad for w,
w_grad in zip(self.weights, weights_grad)]
2.7 训练模型
使用批量梯度下降或随机梯度下降训练模型。
def fit(self, X, y, lr, epochs, method="batch", sample_rate=1.0):
assert method in ("batch", "stochastic")
if method == "batch":
self._batch_gradient_descent(X, y, lr, epochs)
if method == "stochastic":
self._stochastic_gradient_descent(X, y, lr, epochs, sample_rate)
2.8 预测多个样本
def predict(self, X, threshold=0.5):
return [int(self._predict(Xi) >= threshold) for Xi in X]
3 效果评估
3.1 main函数
使用著名的乳腺癌数据集,按照7:3的比例拆分为训练集和测试集,训练模型,并统计准确度。
def main():
@run_time
def batch():
print("Tesing the performance of LogisticRegression(batch)...")
clf = LogisticRegression()
clf.fit(X=X_train, y=y_train, lr=0.05, epochs=200)
model_evaluation(clf, X_test, y_test)
@run_time
def stochastic():
print("Tesing the performance of LogisticRegression(stochastic)...")
clf = LogisticRegression()
clf.fit(X=X_train, y=y_train, lr=0.01, epochs=200,
method="stochastic", sample_rate=0.5)
model_evaluation(clf, X_test, y_test)
X, y = load_breast_cancer()
X = min_max_scale(X)
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=10)
batch()
stochastic()
3.2 效果展示
批量梯度下降AUC 0.984,运行时间677.9 毫秒;
随机梯度下降AUC 0.997,运行时间437.6 毫秒。
效果还算不错~
3.3 工具函数
本人自定义了一些工具函数,可以在github上查看
utils
run_time - 测试函数运行时间
load_breast_cancer - 加载乳腺癌数据
train_test_split - 拆分训练集、测试集
model_evaluation - 计算AUC,准确度,召回率
min_max_scale - 归一化
总结
逻辑回归的原理:线性回归结合Sigmoid函数
逻辑回归的实现:加减法,for循环。线性回归的原理及Python实现全连接神经网络的原理及Python实现