《opencv》3.3逻辑回归模型

逻辑回归模型

线性回归模型的表达式为：y = a1f1 + a2f2 + …+ anfn。 模型训练的结果是得到n个系数，相当于n个特征的权重。如果存在一种映射使得z = g(y)，而z可以是复杂的曲线，这样我们就通过可以训练简单的线性回归模型间接的实现非线性的模型。如果映射g是一个对数几率函数，那么这个z = g(a1f1+a2f2+…+anfn)就称为对数几率回归模型，也就是所谓的逻辑回归模型。
对数几率函数对于任意输入，结果只有两种：0和1。非常适合二分类的问题场景。

鸢尾花分类

鸢尾花数据来自于sklearn的iris数据集。一共包含150个数据，每个数据4个特征。总共分为3类。因为逻辑回归模型解决的是二分类问题，所以取其中2类花的数据进行模型的训练和测试。

iris = datasets.load_iris()
idx = iris.target != 2
data = iris.data[idx].astype(np.float32)
target = iris.target[idx].astype(np.float32)
x_train, x_test, y_train, y_test = modsel.train_test_split(
        data, target, test_size = 0.1, random_state = 42)
lr = cv2.ml.LogisticRegression_create()
lr.setTrainMethod(cv2.ml.LOGISTIC_REGRESSION_MINI_BATCH)
lr.setMiniBatchSize(1)
lr.setIterations(100)
lr.train(x_train, cv2.ml.ROW_SAMPLE, y_train)

最后训练出的线性模型为y = -0.04090133f1 - 0.01910263f2 - 0.16340333f3 + 0.28743777f4 + 0.11909772。

使用这个逻辑回归模型对测试数据进行预测

ret, y_pred = lr.predict(x_test)
print(metrics.accuracy_score(y_test, y_pred))

结果是100%正确率

总结：逻辑回归模型中的映射函数是一种非常好的思路。比较坑的是逻辑回归这个名字是来自于音译