机器学习/数据分析--通俗语言带你入门逻辑回归(结合案例)

• 🍨 本文为🔗365天深度学习训练营 中的学习记录博客
• 🍖 原作者：K同学啊

前言

• 机器学习是深度学习和数据分析的基础，接下来将更新常见的机器学习算法
• 注意：在打数学建模比赛中，机器学习用的也很多，可以一起学习
• 欢迎收藏 + 点赞 + 关注

1、逻辑回归简介

1、二分类问题

逻辑回归也称为对数几率回归，主要处理的是二分类问题，虽然名字带有回归，但是处理的是分类问题，那

什么是二分类问题呢？

二分类问题就是y取值为{0,1}，转化成函数表达式如下：

​ $$y=\{\begin{array}{cc}0,& z<0;\\ 0.5,& z=0;\\ 1,& z>0,\end{array}$$

从这个表达式就可以看出：

• Z > 0，判断为正例
• Z < 0，判断为反例
• Z = 0，为临界值，可以任意判断

但是，这个表达式属于分段函数，不连续，无法求导，故我们希望有一个函数来替代它，这个函数成为**“对数几率”**函数，表达式如下：

​ $$y=\frac{1}{1+e^{-z}}.$$

也称为：**“Sigmoid”**函数，结合回归，我们可以得到如下表达式：

​ $$y=\frac{1}{1+e^{-({\mathbf{w}}^{\mathrm{T}}\mathbf{x}+b)}}.$$

提示：W 和 b求解的方法是极大似然估计，有兴趣的同学可以阅读机器学习西瓜书

对数几率的图像为：

从上图中可以分析出如下几个特征：

• y 的取值范围为[0， 1]
• 分界点为：0.5，大于0.5的为一类，小于0.5的为一类
• 在 Z 属于 (-6, 6) 的时候，变化比较大，尤其是在 （-3， 3）的时候变化大，实际证明在这些区间的时候预测效果也比较好，故很多时候需要结合数据情况来决定是否需要对数据进行归一化
• 对数几率函数是凸函数，有很好的数学性质，在深度学习中也经常用来作为处理二分类的激活函数

2、多分类问题浅谈

多分类问题可以此份为多个二分类问题，假色我们有这么一组数据：

​ D = { ( x 1 , y 1 ) , ( x 2 , y 2 ) , … , ( x m , y m ) } , y i ∈ { C 1 , C 2 , … , C N } . D=\{(\boldsymbol{x}_1,y_1),(\boldsymbol{x}_2,y_2),\ldots,(\boldsymbol{x}_m,y_m)\}, y_i\in\{C_1,C_2,\ldots,C_N\}. D={(x1​,y1​),(x2​,y2​),…,(xm​,ym​)},yi​∈{C1​,C2​,…,CN​}.

我们通过二分类，可以分为一下几种类型：

最后，通过累加计算出不同类别的概率，属于那个类别的概率大，就属于哪一类。

3、与线性回归的区别

• 问题类别不同：线性回归属于回归问题，逻辑回归属于分类问题
• 分布不同，线性回归的y值服从正态分布，逻辑回归的y值服从伯努利分布

2、案例展示

背景：一组探究消费等级是否与年龄、收入有关，消费等级分为两类。

1、数据预处理

1、导入数据

import numpy as np 
import pandas as pd 
import matplotlib.pyplot as plt 

data = pd.read_csv('./Social_Network_Ads.csv')
data

	User ID	Gender	Age	EstimatedSalary	Purchased
0	15624510	Male	19	19000	0
1	15810944	Male	35	20000	0
2	15668575	Female	26	43000	0
3	15603246	Female	27	57000	0
4	15804002	Male	19	76000	0
...	...	...	...	...	...
395	15691863	Female	46	41000	1
396	15706071	Male	51	23000	1
397	15654296	Female	50	20000	1
398	15755018	Male	36	33000	0
399	15594041	Female	49	36000	1

400 rows × 5 columns

# 设置头
columns = {
    'User ID': '用户ID',
    'Gender': '性别',
    'Age': '年龄',
    'EstimatedSalary': '工资',
    'Purchased': '购买等级'
}
data.rename(columns=columns, inplace=True)
data

	用户ID	性别	年龄	工资	购买等级
0	15624510	Male	19	19000	0
1	15810944	Male	35	20000	0
2	15668575	Female	26	43000	0
3	15603246	Female	27	57000	0
4	15804002	Male	19	76000	0
...	...	...	...	...	...
395	15691863	Female	46	41000	1
396	15706071	Male	51	23000	1
397	15654296	Female	50	20000	1
398	15755018	Male	36	33000	0
399	15594041	Female	49	36000	1

400 rows × 5 columns

2、选取目标变量和划分数据集

from sklearn.model_selection import train_test_split

X = data.iloc[:, [2, 3]].values
y = data.iloc[:, 4].values

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

3、数据标准化

from sklearn.preprocessing import MinMaxScaler

scaler = MinMaxScaler()
X_train_scaler = scaler.fit_transform(X_train)
X_test_scaler = scaler.transform(X_test)

2、模型的创建与训练

from sklearn.linear_model import LogisticRegression

model = LogisticRegression()
model.fit(X_train_scaler, y_train)  # 模型训练

3、模型预测

y_pred = model.predict(X_test_scaler)

4、误差计算

from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score

# 计算误差
accuracy = accuracy_score(y_test, y_pred)
precision = precision_score(y_test, y_pred)
recall = recall_score(y_test, y_pred)
f1 = f1_score(y_test, y_pred)

print("Accuracy", accuracy)
print("Precision", precision)
print("recall", recall)
print("f1", f1)

Accuracy 0.875
Precision 0.95
recall 0.6785714285714286
f1 0.7916666666666667

从准确率和召回率来看，模型分类效果显著。

5、结果可视化

1、训练集可视化

from matplotlib.colors import ListedColormap  # 颜色映射类，将颜色映射到列表中，用于观察分布

# 年龄为：x， 工资为：y
x = np.arange(start=X_train[:, 0].min() - 1, stop=X_train[:, 0].max() + 1, step=0.1)
y = np.arange(start=X_train[:, 1].min() - 1, stop=X_train[:, 1].max() + 1, step=100)

# 将x，y绑定为网格形状
x1, x2 = np.meshgrid(x, y)

plt.xlim(x1.min(),x1.max())
plt.ylim(x2.min(),x2.max())

for i,j in enumerate(np.unique(y_test)):
    plt.scatter(X_train[y_train==j, 0],
                X_train[y_train==j, 1],
                color = ListedColormap(['red', 'green'])(i),   # i 为不同类别
                label=j)

plt.title('LOGISTIC(Training set)')
plt.xlabel('Age')
plt.ylabel('Estimated Salary')
plt.legend()
plt.show()

2、测试集可视化

# 年龄为：x， 工资为：y
x = np.arange(start=X_test[:, 0].min() - 1, stop=X_test[:, 0].max() + 1, step=0.1)
y = np.arange(start=X_test[:, 1].min() - 1, stop=X_test[:, 1].max() + 1, step=100)

# 将x，y绑定为网格形状
x1, x2 = np.meshgrid(x, y)

plt.xlim(x1.min(),x1.max())
plt.ylim(x2.min(),x2.max())

for i,j in enumerate(np.unique(y_test)):
    plt.scatter(X_test[y_test==j, 0],
                X_test[y_test==j, 1],
                color = ListedColormap(['red', 'green'])(i),   # i 为不同类别
                label=j)

plt.title('LOGISTIC(Test set)')
plt.xlabel('Age')
plt.ylabel('Estimated Salary')
plt.legend()
plt.show()

6、对数据分析结果进行分析

• 收入的高低与年龄有关，年纪较小的，收入普遍较低，年龄大的收入可以分为三类：高收入、中等收入和低收入人群。
• 消费等级与年龄，年龄越大的人，消费等级为 1，年龄较小的人，消费等级为0。
• 消费等级与收入，收入高人群中和，消费等级为1的占比居多。