《机器学习实战》笔记之五——Logistic回归

1.Logisitc 回归梯度上升优化算法

# coding:utf-8
'''
Created on 2018 5 13
Logistic Regression Working Module
@author: flyfish
'''
from numpy import *

# 加载数据
def loadDataSet():
    dataMat = []; labelMat = []
    fr = open(r'E:\bookFiles\machinelearninginaction\Ch05\testSet.txt')
    for line in fr.readlines():
        lineArr = line.strip().split()
        dataMat.append([1.0, float(lineArr[0]), float(lineArr[1])])  # 开始加入的1.0就是X0，对应参数W0
        labelMat.append(int(lineArr[2]))
    return dataMat,labelMat #返回数据矩阵和标签向量

def sigmoid(inX):
    return 1.0/(1+exp(-inX))
# 梯度上升法
def gradAscent(dataMatIn, classLabels):  #Logistic回归梯度上升优化算法
    dataMatrix = mat(dataMatIn)             #转换为Numpy 矩阵,dataMatrix是一个100×3的矩阵
    labelMat = mat(classLabels).transpose() #转换为Numpy 矩阵，并从行矩阵转换为列矩阵，便于计算 labelMat是一个100×1的矩阵
    m,n = shape(dataMatrix)  # shape函数取得矩阵的行数和列数，m=100,n=3
    #print dataMatrix
    print type(dataMatrix) # <class 'numpy.matrixlib.defmatrix.matrix'>
    #print '0000000000'
    print type(lableMat) # <type 'list'>
    #print lableMat
    print '111111111111'
    alpha = 0.001 #向目标移动的步长
    maxCycles = 500 #迭代次数
    weights = ones((n,1)) #3行1列的矩阵，这个矩阵为最佳的回归系数，和原来的100×3相乘，可以得到100×1的结果
    #print type(weights) # <type 'numpy.ndarray'>
    for k in range(maxCycles):              #heavy on matrix operations
        #print dataMatrix*weights
        #print shape(dataMatrix.transpose())
        h = sigmoid(dataMatrix*weights)     #矩阵相乘，得到100×1的矩阵，即把dataMat的每一行的所有元素相加
        error = (labelMat - h)              #求出和目标向量之间的误差
        '''定性地来说，这里是在计算真实数据类别与预测类别的差值，按照差值的方向调整回归系数
           w: = w + alpha* ∇f(w)
        '''
        weights = weights + alpha * dataMatrix.transpose()* error #3×100的矩阵乘以100×1的矩阵，weights是梯度算子，总是指向函数值增长最快的方向
    return weights

'''主要测试加载、分析、回归系数的操作'''
# if __name__ == '__main__':
#     dataArr, lableMat = loadDataSet()
#     # 调整后的回归系数
#     w = gradAscent(dataArr, lableMat)
#     print w


def plotBestFit(weights):
    import matplotlib.pyplot as plt
    dataMat , labelMat = loadDataSet()
    dataArr = array(dataMat)
    n = shape(dataArr)[0]
    print shape(dataArr)
    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')  # s 表示正方形
    ax.scatter(xcord2, ycord2, s=30, c='green')
    x = arange(-3.0, 3.0, 0.1)
    '''x为numpy.arange格式，并且以0.1为步长从-3.0到3.0切分。
    回顾5.2 节，0是两个分类（类别1和类别0）的分界出。因此，
    拟合曲线为0 = w0*x0+w1*x1+w2*x2, 故x2 = (-w0*x0-w1*x1)/w2, x0为1,x1为x, x2为y,故有
    '''
    y = (-weights[0]-weights[1]*x)/weights[2]
    '''
    #x为array格式，weights为matrix格式，故需要调用getA()方法，其将matrix()格式矩阵转为array()格式
    '''
    ax.plot(x, y)
    plt.xlabel('X1'); plt.ylabel('X2');
    plt.show()

if __name__ == '__main__':
    dataArr, lableMat = loadDataSet()
    # 调整后的回归系数
    w = gradAscent(dataArr, lableMat)
    plotBestFit(w.getA())

2.随机梯度上升

梯度上升算法中，每次更新回归系数需要遍历整个数据集。数据量若是大了，计算复杂度较高。

改进方法：一次仅用一个样本点更新回归系数，这便是随机梯度上升算法。

# 随机梯度上升算法
def stocGradAscent0(dataMatrix, classLabels):
    m,n = shape(dataMatrix)
    alpha = 0.01
    weights = ones(n)   #初始化回归系数
    #print weights  # [ 1.  1.  1.]
    for i in range(m): #从0到149开始循环
        h = sigmoid(sum(dataMatrix[i]*weights))  #此处h为具体数值
        error = classLabels[i] - h  # error也为具体数值
        weights = weights + alpha * error * dataMatrix[i]  #每次对一个样本进行处理，更新权值
    return weights

随机梯度上升算法与梯度上升算法的区别：
第一，后者的变量 h 和误差error 都是向量，而前者则全是数值；第二，前者没有矩阵的转换过程，所有的数据类型都是 Numpy 数组。

效果有点不好，迭代次数太少。

3.改进的梯度上升算法

def stocGradAscent1(dataMatrix, classLabels, numIter=150):
    m,n = shape(dataMatrix)
    weights = ones(n)   #initialize to all ones
    for j in range(numIter): #从0到149开始循环
        '''随机抽取100行的数据进行计算，是随机的，但是没有少一个，只是打乱了次序。'''
        dataIndex = range(m)
        for i in range(m): #从0到99开始循环
            alpha = 4/(1.0+j+i)+0.0001    #步进alpha的值逐渐减小，j=0-150,i=1-100，使得收敛的速度加快
            randIndex = int(random.uniform(0,len(dataIndex))) #样本随机选择0-99中的一个数计算回归系数，减小周期性波动的现象
            h = sigmoid(sum(dataMatrix[randIndex]*weights))
            error = classLabels[randIndex] - h
            weights = weights + alpha * error * dataMatrix[randIndex]
            del(dataIndex[randIndex])
    return weights

结果：

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))
    

##总结：
Logistic 回归的目的是需找一个非线性函数Sigmod 的最佳拟合函数，求解过程可以由最优化算法来完成。在最优化算法中，做常用的就是梯度上升算法，而梯度上升算法又可以简化为随机梯度上升算法。
随机梯度算法可以可以减少计算资源。（计算的每个数值，而不是矩阵）

参考链接：
matplotlib.pyplot中add_subplot方法参数111的含义
数字的可视化：python画图之散点图sactter函数详解
https://blog.csdn.net/u010454729/article/details/48274955
https://www.cnblogs.com/tonglin0325/p/6064730.html