4、Logistic回归

这一部分，主要是用来讲解最优化算法。

我们采用的算法是梯度上升法。梯度上升算法用来求最大值，梯度下降算法用来求最小值。

给出代码：

from numpy import *

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
    labelMat = mat(classLabels).transpose() #convert to NumPy matrix
    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
        error = (labelMat - h)              #vector subtraction
        weights = weights + alpha * dataMatrix.transpose()* error #matrix mult
    return weights

倒数第二行是算法的关键部分。通过对权重的修正，使得h的每一项都尽量取到最大值，这是为了每一数据项都离着分类线尽量远。

乘error这一项是为了修正式子的正负号。

下面给出随机梯度上升法的代码。

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

随机梯度上升法与前面算法的差别很明显，在迭代中，每次只操作一个数据，对权重修正。

我们期望算法不要波动，迅速收敛，于是有了改进的随机梯度上升法。

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

alpha值是逐渐缩小的，来抑制波动，但是又没有缩小到0，这使得后面的计算仍然有一些影响。

从数据集中取元素进行梯度上升的策略是随机取，不是顺序。

新的函数达到相同的分类效果需要更少的计算量。

这一章中还提到了如何处理数据缺失的情况。主要由以下几种方法。

1、使用特征均值填补缺失值

2、使用特殊值，如0，-1

3、去掉有缺失值的样本（不推荐）

4、使用相似样本的均值代替

5、使用另外的机器学习算法预测缺失值