Logistic回归
假设现在有一些数据点,我们用一条直线对这些点进行拟合(该线称为最佳拟合直线),这个拟合过程就称作回归。利用Logistic回归进行分类的主要思想是:根据现有数据对分类边界线建立回归公式,以此进行分类。这里的“回归”一词源于最佳拟合,表示要找到最佳拟合参数集。
Logistic回归的一般过程
(1) 收集数据:采用任意方法收集数据。
(2) 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。
(3) 分析数据:采用任意方法对数据进行分析。
(4) 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。
(5) 测试算法:一旦训练步骤完成,分类将会很快。
(6) 使用算法:首先,我们需要输入一些数据,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些其他分析工作。
5.1 基于 Logistic 回归和 Sigmoid 函数的分类
Logistic回归:
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。
适用数据类型:数值型和标称型数据。
我们想要的函数应该是,能接受所有的输入然后预测出类别。例如,在两个类的情况下,上述函数输出0或1。因此我们选择是Sigmoid函数。
当x轴范围足够大时,函数图像呈0-1.
为了实现Logistic回归分类器,我们可以在每个特征上都乘以一个__回归系数__,然后把所有的结果值相加,将这个总和代入Sigmoid函数中,进而得到一个范围在0~1之间的数值。任何大于0.5的数据被分入1类,小于0.5即被归入0类。所以,Logistic回归也可以被看成是一种概率估计。
5.2 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,由下面公式得出:
如果采用向量的写法,上述公式可以写成z = wTx,它表示将这两个数值向量对应元素相乘然后全部加起来即得到z值。其中的向量x是分类器的输入数据,向量w也就是我们要找到的最佳参数(系数),从而使得分类器尽可能精确。
接下来如何得到最佳系数(w)?
5.2.1 梯度上升法
梯度上升法基于的思想是:要找到某函数的最大值,最好的方法是沿着该函数的梯度方向探寻。如果梯度记为∇,则函数f(x,y)的梯度由下式表示:
梯度上升法常用来求最大值。梯度只是确定了方向,而步长表示移动量的大小,记为α。
可以设置迭代次数,或者一个可允许的误差范围来使迭代停止。
5.2.2 训练算法:使用梯度上升找到最佳参数
我们用真实类别与预测类别的差值来调整回归系数。
from numpy import *
def loadDataSet():
dataMat=[]
labelMat=[]
fr=open('TestSet.txt')
for line in fr.readlines():
lineArr=line.strip().split() #删除首尾空格,并分离
dataMat.append([1.0,float(lineArr[0]),float(lineArr[1])])
labelMat.append(int(lineArr[2])) #类别向量
return dataMat,labelMat
#sigmoid函数
def sigmoid(inX):
return 1.0/(1+exp(-inX))
#
def gradAscent(dataMatIn,classLabels):
dataMatrix=mat(dataMatIn) #转化为矩阵,每组数据一行,每行为各自特征数据
labelMat=mat(classLabels).transpose() #转置矩阵,转为列向量
m,n=shape(dataMatrix)
alpha=0.001 #步长
maxCycles=500 #迭代次数
weights=ones((n,1))
for k in range(maxCycles): #迭代
h=sigmoid(dataMatrix*weights)#dataMatrix*weights,对每行求和以列形式呈现
error=labelMat-h #计算实际与计算结果差值
weights=weights+alpha*dataMatrix.transpose()*error #w+α*▼f,
#此处按照该差值的方向调整回归系数
return weights
5.2.3 分析数据:画出决策边界
回归系数确定了不同类别数据之间的分隔线,为了使优化过程便于理解,我们可以画出分割线。
#画出分割线
def plotBestFit(wei): #?
import matplotlib.pyplot as plt
weights=wei
dataMat,labelMat=loadDataSet()
dataArr=array(dataMat) #转换为数组
n=shape(dataArr)[0] #获取行数,即样本个数
xcord1=[];ycord1=[]
xcord2=[];ycord2=[]
for i in range(n):
if int(labelMat[i])==1: #在类别1中
xcord1.append(dataArr[i,1])
ycord1.append(dataArr[i,2])
else: #在类别0中
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') #画散点图
ax.scatter(xcord2,ycord2,s=30,c='green') #画散点图
x=arange(-3.0,3.0,0.1)
y=(-weights[0]-weights[1]*x)/weights[2] #分割线
ax.plot(x,y)
plt.xlabel('X1')
plt.ylabel('X2')
plt.show()
5.2.4 训练算法:随机梯度上升
#随机梯度上升算法
def stocGradAscent0(dataMatrix,classLabels):
m,n=shape(dataMatrix)
alpha=0.01
weights=ones(n)
for i in range(m):
h=sigmoid(sum(dataMatrix[i]*weights))
error=classLabels[i]-h
weights=weights+alpha*error*dataMatrix[i]
return weights
由于没有进行迭代,所以分类错误较多。迭代次数越多,分类越准确。
优化:
(1)增加迭代次数
(2)随机选取样本,会减少周期性的波动
#随机梯度上升算法
def stocGradAscent0(dataMatrix,classLabels,numIter=150):
m,n=shape(dataMatrix)
weights=ones(n)
for j in range(numIter): #迭代
dataIndex=list(range(m)) #样本索引
for i in range(m):
alpha=4/(1.0+j+i)+0.01 #每次调整,缓解波动
randIndex=int(random.uniform(0,len(dataIndex))) #随机抽取样本
h=sigmoid(sum(dataMatrix[randIndex]*weights))
error=classLabels[randIndex]-h
weights=weights+alpha*error*dataMatrix[randIndex]
del(dataIndex[randIndex]) #剔除样本索引
return weights
5.3 示例:从疝气病症预测病马的死亡率
5.3.1 准备数据:处理数据中的缺失值
下面给出了一些可选的做法:
使用可用特征的均值来填补缺失值;
使用特殊值来填补缺失值,如1; 忽略有缺失值的样本;
使用相似样本的均值添补缺失值;
使用另外的机器学习算法预测缺失值。
对于本次数据缺失值,采用特殊值0来填补缺失值。
5.3.2 测试算法:用 Logistic 回归进行分类
#分类器
def classifyVector(inX,weights):
prob=sigmoid(sum(inX*weights))
if prob>0.5:
return 1.0
else:
return 0.5
def coliTest():
frTrain=open('HorseColicTraining.txt')
frTest=open('HorseColicTest.txt')
trainingSet=[]
trainLabels=[]
for line in frTrain.readlines():
currLine=line.strip().split('\t')
lineArr=[]
for i in range(21):
lineArr.append(float(currLine[i]))
trainingSet.append(lineArr)
trainLabels.append(float(currLine[21]))
trainingWeights=stocGradAscent0(array(trainingSet),trainLabels)
errorCount=0
numTestVec=0.0
for line in frTest.readlines():
numTestVec+=1.0
currLine=line.strip().split('\t')
lineArr=[]
for i in range(21):
lineArr.append(float(currLine[i]))
if int(classifyVector(array(lineArr),trainingWeights))!=int(currLine[21]):
errorCount+=1
errorRate=float(errorCount)/numTestVec
print(errorRate)
return errorRate
#
def multiTest():
numTests=10
errorSum=0.0
for k in range(numTests):
errorSum+=coliTest()
print('after %d iterations ,the average error rate is: %f' %(numTests,errorSum/float(numTests)))
增加迭代次数能够降低错误率。样本数据缺失越少,错误率越低。
**
总结
Logistic回归的目的是寻找一个非线性函数Sigmoid的最佳拟合参数,求解过程可以由最优化算法来完成。在最优化算法中,最常用的就是梯度上升算法,而梯度上升算法又可以简化为随机梯度上升算法。
随机梯度上升算法与梯度上升算法的效果相当,但占用更少的计算资源。此外,随机梯度上升是一个在线算法,它可以在新数据到来时就完成参数更新,而不需要重新读取整个数据集来进行批处理运算。