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,结构化数据格式为最佳。
(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,并将其转化成对应的结构化数值;
(7)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,判定他们属于哪个类别;然后在输出的类别上做一些其他分析工作。
使用梯度上升算法找最优参数
伪代码:
每个回归系数初始化为1
重复R次:
计算整个数据集的梯度
使用alphaxgradient更新回归系数的向量
返回回归系数
import math
from numpy import *
#这个 的作用是读取数据文件,将其放在两个列表中,最后返回
def loadDataSet():
dataMat=[];labelMat=[]#创建空列表
fr=open('testSet.txt')#加载数据信息函数
for line in fr.readlines():
lineArr=line.strip().split()
dataMat.append([1.0,float(lineArr[0]),float(lineArr[1])])
labelMat.append(int(lineArr[2]))
return dataMat,labelMat
def sigmoid(inX):
return 1.0/(1+exp(-inX))
#输入数据特征与数据的类别标签
#返回最佳回归系数(weights)
def gradAscent(dataMatIn,classLabels):
#转换为numpy型
dataMatrix=mat(dataMatIn)#numpy中的array转(mat)矩阵函数
labelMat=mat(classLabels).transpose() ##numpy中的array转(mat)矩阵函数并转置
# m->数据量,样本数 n->特征数
m,n=shape(dataMatrix)
alpha=0.001#步长
maxCycles=500#迭代次数
weights=ones((n,1))#初始化权值向量,每个维度均为1.0
for k in range(maxCycles):
h=sigmoid(dataMatrix * weights) #回归系数与数据向量相乘带入Sigmoid函数中,得到h,注意h是向量
error=(labelMat-h)
weights=weights+alpha*dataMatrix.transpose()*error
return weights
def plotBestFit(weights):
import matplotlib.pyplot as plt
dataMat,labelMat=loadDataSet()
dataArr=array(dataMat)
# n->数据量,样本数
n=shape(dataArr)[0]
#xcord1,ycord1代表正例特征
#xcord2,ycord2代表负例特征
xcord1=[];ycord1=[]
xcord2=[];ycord2=[]
#循环筛选出正负集
for i in range(n):
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)
ax.scatter(xcord1,ycord1,s=30,c='red',marker='s')
ax.scatter(xcord2,ycord2,s=30,c='green')
#设定边界直线x和y的值
x=arange(-3.0,3.0,0.1)
y=(-weights[0]-weights[1]*x)/weights[2]
ax.plot(x,y)
plt.xlabel('X1');plt.ylabel('X2');
plt.show()
if __name__== '__main__':
dataArr,labelMat=loadDataSet()
weights=gradAscent(dataArr,labelMat)
plotBestFit(weights.getA())
其效果图如下:
随机梯度上升算法:
伪代码如下:
所有回归系数初始化为1
对数据集中每个样本
计算该样本的梯度
使用alphaXgradient回归系数值
返回回归系数值
代码如下:
def stocGradAscent0(dataMatrix,classLabels):
import numpy as np
dataMatrix=np.array(dataMatrix)
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
运行效果如下图所示:
改进的随机梯度上升算法:
def stocGradAscent1(dataMatrix,classLabels,numIter=150):
import numpy as np
dataMatrix=np.array(dataMatrix)
m,n=shape(dataMatrix)
weights=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(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
效果图如下:
示例:使用logistic回归估计马疝病的死亡率
(1)收集数据:给定文本文件
(2)准备数据:用Python解析文本文件并填充缺失值
(3)分析数据:可视化并观察数据。
(4)训练算法:使用优化算法,找到最佳系数
(5)测试算法:观察错误率,根据错误率决定是否退回到训练阶段,通过改变迭代的次数和步长等参数来得到更好的回归系数
(6)使用算法:实现一个简单的命令行程序收集马的症状并输出预测结果
代码如下:
def classifyVector(inX,weights):
prob=sigmoid(sum(inX*weights))
if prob>0.5:return 1.0
else:return 0.0
def colicTest():
frTrain=open('horseColicTraining.txt')
frTest=open('horseColicTest.txt')
trainingSet=[];trainingLabels=[]
for line in frTrain.readlines():
currLine=line.strip().split('\t')
lineArr=[]
for i in range(21):
lineArr.append(float(currLine[i]))
trainingSet.append(lineArr)
trainingLabels.append(float(currLine[21]))
trainWeights=stocGradAscent1(array(trainingSet),trainingLabels,500)
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),trainWeights))!=int(currLine[21]):
errorCount+=1
errorRate=(float(errorCount)/numTestVec)
print("the error rate of this test is: %f",errorRate)
return errorRate
def multiTest():
numTests=10;errorSum=0.0
for k in range(numTests):
errorSum+=colicTest()
print("after %d iterations the average error rate is: %f",(numTests,errorSum/float(numTests)))