机器学习005_Logistic回归

用一条直线对假设的数据点进行拟合（该线称为最佳拟合直线）这个拟合过程称为回归。表示要找到最佳拟合参数集。

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。

（1）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，训练目的是为了找到最佳的分类回归系数。

（5）测试算法

（6）使用算法：首先输入数据，并将其转化为对应的结构化数值；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，可以在输出的类别上做一些其它分析工作。

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

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，将这个总和带入Sigmoid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的被分为0类。

所以，Logistic回归也被看成是一种概率估计。

确定了分类器的函数形式之后，现在的问题变为：最佳回归系数是多少？如何确定它们的大小？

5.2 基于最优化方法的最佳回归系数确定

Sigmoid的函数的输入记为z ，则

Z = W0X0 + W1X1+……+WnXn，如果采用向量的写法，Z = （W）’X ，x是分类器的输入数据，向量w是我们要找到的最佳参数（系数）从而使得分类器尽可能地精。

梯度上升法

如果梯度记为▽，则函数f（x，y）的梯度由下式表示：

这个梯度就是在X的方向移动

沿着y的方向移动

其中，函数f（x，y）必须要在计算的点上有定义并且可微。

α 表示为步长，则梯度上升的迭代公式为：

W ：= w + α ▽f（w）

该公式将一直被迭代执行，直至达到某个停止条件为止，比如迭代次数达到某个指定值或算法达到某个可以允许的误差范围。

梯度下降就是将公式中的加号变为减号。

5.3 训练算法：使用梯度上升找到最佳参数

对于100个样本点，每个点包括两个数值型特征：X1和X2，在这个数据集中，通过使用梯度上升法找到最佳回归系数，也就是拟合出Logistic回归模型的最佳参数。

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alpha*gradient更新回归系数的向量

返回回归系数

def loadDataSet():
    dataMat = []; labelMat = []
    fr = open('testSet.txt')
    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))

def gradAscent(dataMatIn, classLabels):
    dataMatrix = mat(dataMatIn)             #convert to NumPy matrix
    #print(dataMatrix)
    labelMat = mat(classLabels).transpose() #convert to NumPy matrix
    #print(labelMat)
    m,n = shape(dataMatrix)
    alpha = 0.001
    maxCycles = 500
    weights = ones((n,1))
    for k in range(maxCycles):              #heavy on matrix operations
        h = sigmoid(dataMatrix*weights)     #matrix mult
        #print(dataMatrix)
        #print(weights)
        #print(h)
        error = (labelMat - h)              #vector subtraction
        #print(error)
        weights = weights + alpha * dataMatrix.transpose()* error #matrix mult
    return weights


import logRegres
dataArr,labelMat = logRegres.loadDataSet()
logRegres.gradAscent(dataArr,labelMat)

5.4 分析数据：画出决策边界

def plotBestFit(weights):
    import matplotlib.pyplot as plt
    dataMat,labelMat=loadDataSet()
    dataArr = array(dataMat)
    n = shape(dataArr)[0] 
    xcord1 = []; ycord1 = []
    xcord2 = []; ycord2 = []
    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')
    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()

 

5.5 训练算法：随机梯度上升

一次仅用一个样本点来更新回归系数，该方法称为随机梯度上升算法。由于可以在新样本来到时对分类器进行增量式更新，因而随机梯度上升算法是一个在线学习算法。

伪代码

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alpha * gradient 更新回归系数值

返回回归系数值

def stocGradAscent0(dataMatrix, classLabels):
    m,n = shape(dataMatrix)
    alpha = 0.01
    weights = ones(n)   #initialize to all ones
    for i in range(m):
        h = sigmoid(sum(dataMatrix[i]*weights))
        error = classLabels[i] - h
        weights = weights + alpha * error * dataMatrix[i]
    return weights

区别：

（1）梯度上升算法的变量h和误差error都是向量，但是随机梯度上升算法全是数值

（2）随机梯度上升算法没有矩阵的转换过程，所有变量的数据类型都是Numpy数组

上一个迭代的分类图结果是在整个数据集上迭代500次才得到的。

判断一个优化算法优劣的可靠方法是看它是否收敛。

对于迭代过程中，回归系数小范围的剧烈波动原因的解释：

存在一些不能正确分类的样本点（数据集并非线性可分），在每次迭代时会引发系数的剧烈改变，我们期望算法能够避免来回波动，从而收敛到某个值。另外收敛的速度也要加快。

def stocGradAscent1(dataMatrix, classLabels, numIter=150):
    m,n = shape(dataMatrix)
    weights = ones(n)   #initialize to all ones
    for j in range(numIter):
        dataIndex = range(m)
        for i in range(m):

# alpha在 每次迭代的时候都会调整，随着迭代次数不断减小
# j是迭代次数，i是样本点的下标。

            alpha = 4/(1.0+j+i)+0.0001    #apha decreases with iteration, does not 

# 通过随机选取样本来更新回归系数
            randIndex = int(random.uniform(0,len(dataIndex)))#go to 0 because of the constant
            h = sigmoid(sum(dataMatrix[randIndex]*weights))
            error = classLabels[randIndex] - h
            weights = weights + alpha * error * dataMatrix[randIndex]
            del(dataIndex[randIndex])
    return weights

注意：要区分下标和样本编号：编号表示了样本在矩阵中的位置，而这里的下标i表示本次迭代中第i个选出来的样本。

遍历数据集20次，之前的方法是500次

注意：出现错误

TypeError: 'range' object doesn't support item deletion

python3.x , 出现错误 'range' object doesn't support item deletion

原因：python3.x   range返回的是range对象，不返回数组对象

80行

dataIndex = range(m)改为

dataIndex = list(range(m))

5.6 示例：从疝气病症预测病马的死亡率

使用Logistic回归来预测患有疝病的马的存活问题，数据包括368个样本和28个特征。

（1）收集数据

（2）准备数据：使用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：为了量化回归的效果，需要观察错误率。

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程序来收集马的症状并输出预测结果

问题：数据缺失，即除了主观和难以测量外，数据集中有30%的值是缺失的。

准备数据：处理数据中的缺失值

可选做法：

（1）使用可用特征的均值来填补缺失值

（2）使用特殊值来填补缺失值

（3）忽略有缺失值的样本

（4）使用相似样本的均值添补缺失值

（5）使用另外的机器学习算法预测缺失值

这里用到的处理方法：

（1）缺失值填补为0

（2）将标签丢失的数据进行丢弃

测试算法：用Logistic回归进行分类

把测试集上每个特征向量乘以最优化方法得来的回归系数，再将该乘积结果求和，最后输入到Sigmoid函数中。

如果对应的Sigmoid值大于0.5就预测类别标签为1，否则为0.

# Logistic 回归函数

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, 1000)
    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)))
        

Python问题之“NameError: name 'reload' is not defined”

出现这个错误的原因是你使用的Python版本已经不再使用了

python 2.x版本使用以下解决：

import sys
reload(sys)
sys.setdefaultencoding("utf-8")

python 3.4 及以上使用如下解决：

import logRegres
import imp  
imp.reload(logRegres)

即迭代500次平均错误率在32%左右。