目录
一、 Logistic回归
1.1 概念简述
逻辑回归是一种用于解决分类问题的机器学习方法。它是一种基于概率思想的预测分析技术。分类算法 Logistic 回归用于预测分类因变量的似然性。逻辑回归中的因变量是二进制变量,数据编码为 1(是、真、正常、成功等)或 0(否、假、异常、失败等)。
Logistic 回归的目标是发现特征与特定结果的可能性之间的联系。例如,当根据学习的小时数预测学生是否通过考试时,响应变量有两个值:通过和失败。
Logistic 回归模型类似于线性回归模型,不同之处在于 Logistic 回归使用更复杂的成本函数,称为“Sigmoid 函数”或“逻辑函数”而不是线性函数。
1.2 Sigmoid函数
Sigmoid函数将输入变换为(0,1)上的输出。它将范围(-inf,inf)中的任意输入压缩到区间(0,1)中的某个值。
为了实现Logistic回归分类器,我们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,将这个总和代人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。
通过Sigmoid函数,我们可以将z转换为概率值p,从而判断样本属于哪个类别。Sigmoid函数及图像如下:
1.3 梯度上升法
梯度上升是一种迭代算法,用于寻找函数的局部最大值或全局最大值。它的核心思想是沿着函数梯度的正方向进行迭代更新,以逐步接近最大值点。在每一次迭代中,根据当前位置的梯度方向来更新参数或变量值,使目标函数值增大。
从 P0 开始,计算完该点的梯度,函数就根据梯度移动到下一点 P1。在 P1 点,梯度再次被重新计算,并沿着新的梯度方向移动到 P2 。如此循环迭代,直到满足停止条件。迭代过程中,梯度算子总是保证我们能选取到最佳的移动方向。
二、代码实现
2.1 数据集
testSet.txt
-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
0.667394 12.741452 0
-2.460150 6.866805 1
0.569411 9.548755 0
-0.026632 10.427743 0
0.850433 6.920334 1
1.347183 13.175500 0
1.176813 3.167020 1
-1.781871 9.097953 0
-0.566606 5.749003 1
0.931635 1.589505 1
-0.024205 6.151823 1
-0.036453 2.690988 1
-0.196949 0.444165 1
1.014459 5.754399 1
1.985298 3.230619 1
-1.693453 -0.557540 1
-0.576525 11.778922 0
-0.346811 -1.678730 1
-2.124484 2.672471 1
1.217916 9.597015 0
-0.733928 9.098687 0
-3.642001 -1.618087 1
0.315985 3.523953 1
1.416614 9.619232 0
-0.386323 3.989286 1
0.556921 8.294984 1
1.224863 11.587360 0
-1.347803 -2.406051 1
1.196604 4.951851 1
0.275221 9.543647 0
0.470575 9.332488 0
-1.889567 9.542662 0
-1.527893 12.150579 0
-1.185247 11.309318 0
-0.445678 3.297303 1
1.042222 6.105155 1
-0.618787 10.320986 0
1.152083 0.548467 1
0.828534 2.676045 1
-1.237728 10.549033 0
-0.683565 -2.166125 1
0.229456 5.921938 1
-0.959885 11.555336 0
0.492911 10.993324 0
0.184992 8.721488 0
-0.355715 10.325976 0
-0.397822 8.058397 0
0.824839 13.730343 0
1.507278 5.027866 1
0.099671 6.835839 1
-0.344008 10.717485 0
1.785928 7.718645 1
-0.918801 11.560217 0
-0.364009 4.747300 1
-0.841722 4.119083 1
0.490426 1.960539 1
-0.007194 9.075792 0
0.356107 12.447863 0
0.342578 12.281162 0
-0.810823 -1.466018 1
2.530777 6.476801 1
1.296683 11.607559 0
0.475487 12.040035 0
-0.783277 11.009725 0
0.074798 11.023650 0
-1.337472 0.468339 1
-0.102781 13.763651 0
-0.147324 2.874846 1
0.518389 9.887035 0
1.015399 7.571882 0
-1.658086 -0.027255 1
1.319944 2.171228 1
2.056216 5.019981 1
-0.851633 4.375691 1
-1.510047 6.061992 0
-1.076637 -3.181888 1
1.821096 10.283990 0
3.010150 8.401766 1
-1.099458 1.688274 1
-0.834872 -1.733869 1
-0.846637 3.849075 1
1.400102 12.628781 0
1.752842 5.468166 1
0.078557 0.059736 1
0.089392 -0.715300 1
1.825662 12.693808 0
0.197445 9.744638 0
0.126117 0.922311 1
-0.679797 1.220530 1
0.677983 2.556666 1
0.761349 10.693862 0
-2.168791 0.143632 1
1.388610 9.341997 0
0.317029 14.739025 0
2.2 代码实现
函数loadDataSet:用于读取训练数据集,将数据集分为特征矩阵(dataMat)和标签矩阵(labelMat)。
def loadDataSet(): #得到数据矩阵和标签矩阵
dataMat = []
labelMat = []
fr = open(r'E:\机器学习\code\Logistic\testSet.txt')
for line in fr.readlines():
lineArr = line.strip().split() # strip()去除首尾空格,split拆分字符串,默认为空格拆分
dataMat.append([1.0, float(lineArr[0]), float(lineArr[1])]) # 这里的1.0是x0
labelMat.append(float(lineArr[2]))
return dataMat, labelMat
函数sigmoid:计算sigmoid函数值。
def sigmoid(inX): #sigmoid函数
return 1.0/(1 + np.exp(-inX))
函数gradAscent:实现梯度上升法,该函数接收数据矩阵、标签矩阵作为输入参数。对回归系数进行梯度上升,获得最佳回归系数。alpha是目标移动的步长。
def gradAscent(dataMatIn,classLabels): #实现梯度上升算法
dataMatrix= np.mat(dataMatIn) #把list数据类型变成矩阵
labelMat = np.mat(classLabels).transpose() #transpose是矩阵转置
m,n=np.shape(dataMatrix) #行、列
alpha = 0.001
maxCycles=500 #迭代次数
weights = np.ones((n, 1))
for k in range(maxCycles):
h = sigmoid(dataMatrix* weights) #维度100*上31,相当于给每一维都做了sigmoid,这里是预测值,sigmoid(数据矩阵x权重),是0/1给聚类
# dataMatrix是样本矩阵,每一行代表着一个数据
error =(labelMat-h) #梯度上升方向,聚类和真实值的误差
weights = weights + alpha* dataMatrix.transpose()* error # 维度3*100* 100*1,权重更新的方向
return weights
函数plotBestFit:绘制最优拟合直线,展示分类结果。
def plotBestFit(wei):
import matplotlib.pyplot as plt
weights = wei #getA()是将numpy矩阵转化成数组形式,这里删去了
dataMat, labelMat = loadDataSet()
dataArr = np.array(dataMat) #转成array类型
n= np.shape(dataArr)[0] #shape是维度,[0]代表维度的第一个值
xcord1 =[];ycord1 =[]
xcord2 =[];ycord2 =[]
for i in range(n): #根据标签0/1把数据分到两个矩阵数组中
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) #三个参数:总行数、总列数、图的位置
ax.scatter(xcord1,ycord1,s = 30,c = 'red',marker = 's')
ax.scatter(xcord2,ycord2,s = 30,c = 'green')
#plt.scatter(x,y,c="b",label=scatter figure”)x: x轴上的数值 y: y轴上的数值 c: 散点图中的标记的颜色 label: 标记图形内容的标签文本
x= np.arange(-3.0,3.0,0.1) #生成一维数组,从-3到3步长0.1
y =(-weights[0]-weights[1]*x)/weights[2]
#w0 + w1x1+ w2y=0 ->y=(-w0-w1x1)/w2 z=0时,sigmoid函数取中间值,也就是0.5
#分界线是w0x0 + w1x1 + w2x2=0,这里要画关于x1和x2的分界线所以这一步是求在x1不断变化时x2的值
ax.plot(x,y)
plt.xlabel('X1');plt.ylabel('X2');
plt.show()
2.3 结果展示:
plotBestFit(weights1.getA())
运行结果:
回归系数:
[[4.12414349]
[0.48007329]
[-0.6168482]]
上图可见,分类结果还是很明显的,总体来说得到的结果和分割线都算不错的。
2.4 改进算法——随机梯度上升
1.梯度上升算法在每次更新回归系数时,都需要遍历整个数据集,该法在处理小数据集时尚可,但如果数据集很庞大,那么该法的计算复杂度就太高了。因此,一种改进的方法是一次仅对一个样本点来更新回归系数,该法称为随机梯度上升算法。
2.随机梯度上升算法中,有些系数需要迭代很多次才能达到稳定值,且在大的系数波动停止后,还有一些小的周期性波动,产生这种现象的原因是存在一些不能正确分类的样本点,即数据集并不是线性可分的,在每次迭代时候这些样本点就会引发系数的剧烈改变。而我们期望的算法是能够避免这种来回的波动,从而收敛到某个值。
代码如下:
def stocGradAscent(dataMatrix,classLabels,numIter=150):#随机梯度上升算法,来一个更新一次权重系数
m,n = np.shape(dataMatrix)
weights = np.ones(n)
for j in range(numIter):
dataIndex= list(range(m))
for i in range(m):
alpha =4/(1.0+j+i)+0.01
randIndex= int(np.random.uniform(0,len(dataIndex)))
h= sigmoid(sum(dataMatrix[randIndex]*weights))
error =classLabels[randIndex]-h
weights = weights + alpha * error * dataMatrix[randIndex]
del(dataIndex[randIndex])
return weights
weights =stocGradAscent(np.array(dataArr),labelMat,)
plotBestFit(weights)
运行结果:
回归系数:
[13.84580515 0.86998876 -2.13468138]
对比前面的结果图,可以明显看出有一定的改进。
三、总结
3.1 优点
模型简单:Logistic回归的模型结构简单,易于理解和实现。
速度快:Logistic回归的计算速度相对较快,适合处理大量数据。
适应性:Logistic回归可以处理线性可分问题,对于某些场景具有较好的表现。
易于更新:Logistic回归模型可以容易地更新,吸收新的数据和特征。
稳定性:Logistic回归对异常值和不稳定数据具有一定的鲁棒性。减小极端情况的影响
3.2 缺点
适应性局限:Logistic回归是一个弱分类器,其对数据和场景的适应能力有限,不如决策树等算法强大。仅仅适应于线性分布
特征限制:Logistic回归在处理高维度特征时,表现不如其他算法,如支持向量机等。
无法处理非线性问题:Logistic回归本身仅适用于线性可分问题,处理非线性问题需要借助核技巧等方法。
参数敏感:Logistic回归的参数选择和调整较为复杂,容易受到数据影响,需要多次迭代和调参。
过拟合风险:Logistic回归有可能出现过拟合现象,需要采用特征选择、正则化等方法降低过拟合风险。
3.3 代码改进的好处
一是altha在每次迭代的时候都会调整,缓解了数据波动;
二是通过随机选取样本来更新回归系数,减少周期性的波动。