机器学习——逻辑回归

1、什么是逻辑回归？

虽然名字叫“逻辑回归”，但是逻辑回归是一个分类算法。只要用于进行二分类，即分类结果只有两种。例如：是否患病？是否为垃圾邮件？广告是否点击？
逻辑回归执行过程如下：
1、输入：线性回归的输出作为逻辑回归的输入，即输入为权重表达式
2、激活函数：回归的结果输入到$sigmoid$函数中，$sigmoid$函数表达式为:$\frac{1}{1+e^{-x}}$，其输出结果是在$(0,1)$之间，默认$0.5$为阈值
3、假设函数/线性模型：即将线性回归的输出结果（权重表达式）代入到激活函数里面，得到
$$y=\frac{1}{1+e^{w_1{x}_1+w_2{x}_2+w_3{x}_3+...+w_j{x}_j}}+b$$ 其中$b$为偏置
4、损失函数：对数似然损失，公式为
$$\mathcal{L}(\mathbf{w},b)=-\frac{1}{m}\sum _{i=1}^m\left[y^{(i)}\log ({\hat{y}}^{(i)})+(1-y^{(i)})\log (1-{\hat{y}}^{(i)})\right]$$
$\begin{array}{rl}& \text{其中,}m\text{ 是样本数量,}{\hat{y}}^{(i)}\text{ 是第 }i\text{ 个样本的预测概率,}{y}^{(i)}\text{ 是第 }i\text{ 个样本的真实}\\ & \text{标签。}\end{array}$
5、优化损失：梯度下降

# 逻辑回归API调用
API:sklearn.linear_model.LogisticRegression(solver='liblinear',penalty='l2',C=1.0)
solver:优化求解方式(默认为开源的liblinear库实现
"""
penalty: 正则化类型。默认值：'l2'
solver: 优化算法。默认值：'lbfgs'
		可选值：'newton-cg', 'lbfgs', 'liblinear', 'sag', 'saga'
		描述：用于优化问题的算法。不同的solver支持不同的正则化。
max_iter: 最大迭代次数。
		  默认值：100
		  描述：求解器收敛的最大迭代次数。
C: 正则化强度的倒数。
   默认值：1.0
   描述：必须为正数。较小的值指定更强的正则化。
"""

2、混淆矩阵

在分类任务下，预测结果与正确标记之间存在的四种不同组合，构成混淆矩阵
TP(真正例) ----真实结果为真，预测结果也为真
TN(真反例) ----真实结果为假，预测结果也为假
FP(伪正例) ----真实结果为假，预测结果为真
FN(伪反例) ----真实结果为真，预测结果为假

3、精确率和召回率

精确率：预测结果为正例的结果中真实为正例的比例
精确率 $=\frac{TP}{TP+FP}$
召回率：真实为正例的结果中预测结果为正例的比例，反映对正样本的区分能力
召回率 $=\frac{TP}{TP+FN}$
F1-score： 衡量模型的稳健性 $F1-score=\frac{2TP}{2TP+FN+FP}$

sklearn.metrics.classification_report(y_true,y_predict,labels=[],target_names=none)
"""
y_true:真实值
y_predict:预估器的预测值
labels:指定类别对应的数字
target_names:目标类别名称
return:每个类别的精确率和召回率
"""

4、ROC曲线和AUC指标1、TPR和FPR

TPR:$TPR=\frac{TP}{TP+FN}$ 所有真实类别为1的样本中，预测类别为1的比例 ----召回率
FPR:$FPR=\frac{FP}{FP+TN}$ 所有真实类别为0的样本中，预测类别为1的比例
当TPR等于FPR时，预测效果为Random guess(瞎猜)
ROC曲线（Receiver Operating Characteristic Curve）是通过改变分类阈值绘制出的TPR（True Positive Rate）和FPR（False Positive Rate）之间的关系图。
AUC（Area Under the ROC Curve）是ROC曲线下的面积，反映模型区分正负样本的能力。AUC值在0.5到1之间，越接近1，模型效果越好。

4、逻辑回归案例——癌症预测(数据集点我)

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import classification_report
from sklearn.metrics import roc_auc_score
data = pd.read_csv(r"E:\Python_learning\py基础\machine_learning\breastCancer.csv")
# 缺失值处理，缺失值为？先替换为np.nan，再删除缺失值
# 1)替换成np.nan
data = data.replace(to_replace="?", value=np.nan)
# 2)删除确实值,以样本为单位
data.dropna(inplace=True)
# 特征集和目标集切分
x = data.iloc[:, 2:-1]
y = data['class']
# 数据集划分
x_train, x_test, y_train, y_test = train_test_split(x, y)
# 归一化
transfer = StandardScaler()
x_train = transfer.fit_transform(x_train)
x_test = transfer.transform(x_test)
# 预估器预测
estimator = LogisticRegression()
estimator.fit(x_train, y_train)
print(f"逻辑回归的偏置为{estimator.intercept_}")
print(f"逻辑回归的参数为{estimator.coef_}")
y_predict = estimator.predict(x_test)
print("预测结果如下", y_predict)
print("预测值与真实值比对:", y_predict == y_test)
print("该模型准确率为", estimator.score(x_test, y_test))
report = classification_report(y_test, y_predict, labels=[2, 4], target_names=['良性', '恶性'])
print(report)
# AUC和ROC计算，每个真是样本必须为0(正例)、1(反例)
# 将y_test 转换0,1
np.where(y_test > 3, 1, 0)
print(f"该模型AUC指标为{roc_auc_score(y_test, y_predict)}")

运行结果如下：

对于癌症检查，虽然正确率已经达到了$95.3\%$，但是对于这类较为严肃的问题，我们认为还是比较低，读者可以使用网格搜索和交叉验证(GridSearchcv)来找到最佳的超参数和最佳正确率。