《机器学习实战》-逻辑(Logistic)回归
2021/4/15 18:55:24
本文主要是介绍《机器学习实战》-逻辑(Logistic)回归，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！
目录
- Logistic 回归
- 本章内容
- 回归算法
- Logistic 回归的一般过程
- Logistic的优缺点
- 基于 Logistic 回归和 Sigmoid 函数的分类
- Sigmoid 函数
- Logistic 回归分类器
- 图5-1 两种坐标尺度下的 Sigmoid 函数图
- 基于最优化方法的最佳回归系数确定
- 梯度上升法
- 图5-2 梯度上升图
- 梯度下降算法
- 训练算法：使用梯度上升找到最佳参数
- 图5-3 数据集图
- 梯度上升算法的伪代码
- 程序5-1 Logistic 回归梯度上升优化算法
- 分析数据：画出决策边界
- 程序5-2 画出数据集和 Logistic 回归最佳拟合直线的函数
- 图5-4 梯度上升算法500次迭代后的结果
- 训练算法：随机梯度上升
- 随机梯度上升算法伪代码
- 程序5-3 随机梯度上升算法
- 图5-5 随机梯度上升算法图
- 程序5-4 改进的随机梯度上升算法
- 图5-6 改进随机梯度上升算法图
- 示例：从疝气病预测病马的死亡率
- 示例：使用 Logistic 回归估计马疝病的死亡率
- 准备数据：处理数据中的缺失值
- 测试算法：用 Logistic 回归进行分类
- 完整代码logRegres.py
- 总结
Logistic 回归
本章内容
- Sigmoid 函数和 Logistic 回归分类器
- 最优化理论初步
- 梯度下降最优化算法
- 数据中的缺失项处理
回归算法
- 回归算法：假设现在有一些数据点，我们用一条直线对这些点进行拟合（该线称为最佳拟合直线），这个拟合过程就称作回归。与分类算法一样同属于监督学习。
Logistic 回归的一般过程
- 收集数据：采用任意方法收集数据。
- 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。
- 分析数据：采用任意方法对数据进行分析。
- 训练算法：大部分时间讲用于训练，训练的目的是为了找到最佳的分类回归系数。
- 测试算法：一旦训练步骤完成，分类将会很快。
- 使用算法：基于训练好的回归系数对这些数值进行简单的回归计算，判定他们属于哪个类别，在此基础上做一些其他分析工作。
Logistic的优缺点
- 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。
基于 Logistic 回归和 Sigmoid 函数的分类
Sigmoid 函数
- 海维赛德阶跃函数(单位阶跃函数)：输出只有0或1的函数，并且0到1的过程属于跳跃过程，即非0即1。
- Sigmoid 函数：x=0时，sigmoid 值为0.5；随着 x 的增大，对应值将逼近1；随着 x 的减小，对应值将逼近0。
- Sigmoid 函数公式：\(\sigma(z)={\frac{1}{1+e^{-z}}}\)。
Logistic 回归分类器
- Logistic 回归分类器：我们在每个特征上都乘以一个回归系数 之后详细介绍，然后把所有的结果值相加，将这个总和代入 sigmoid 函数，进而得到一个范围在0~1之间的数值。大于0.5的数据被分入1类，小于0.5即被归入0类。
图5-1 两种坐标尺度下的 Sigmoid 函数图
- 通过图5-1 下面一张图可以看出，如果横坐标的尺度足够大，在 x=0出 sigmoid 函数看起来很像阶跃函数。
基于最优化方法的最佳回归系数确定
- Sigmoid函数的输入记为 z，可由该公式得出：\(z=w_0x_0+w_1x_1+w_2x_2+\cdots+w_nx_n\)。
- 上述公式向量写法：\(z=w^Tx\) 向量 x 是分类器的输入数据，向量 w 是我们需要找的最佳参数（系数）。
梯度上升法
- 梯度上升法：沿着函数的梯度方向探寻某函数的最大值。即求函数的最大值。
- 如果梯度记为\(\nabla\)，则函数\(f(x,y)\)的梯度公式：\(\nabla f(x,y)=\begin{pmatrix} {\frac{\part f(x,y)}{\part x}} \\ {\frac{\part f(x,y)}{\part y}} \\ \end{pmatrix}\)。
- \({\frac{\part f(x,y)}{\part x}}\)：沿 x 的方向移动\({\frac{\part f(x,y)}{\part x}}\)，函数\(f(x,y)\)必须要在待计算的点上有定义并且可微。
- \({\frac{\part f(x,y)}{\part y}}\)：沿 x 的方向移动\({\frac{\part f(x,y)}{\part y}}\)，函数\(f(x,y)\)必须要在待计算的点上有定义并且可微。
图5-2 梯度上升图
- 通过图5-2 可以看出梯度上升算法到达每个点后都会重新估计移动的方向。
- 梯度上升算法的迭代公式：\(w:=w+\alpha \nabla_wf(w)\)，该公式将一直被迭代执行，直至达到某个停止条件为止。
- \(\alpha\)：移动量的大小，称为步长。
梯度下降算法
- 梯度下降算法：沿着函数的梯度方向探寻某函数的最小值。即求函数的最小值。
- 梯度下降算法的迭代公式：\(w:=w-\alpha \nabla_wf(w)\)
训练算法：使用梯度上升找到最佳参数
图5-3 数据集图
- 图5-3中有100个样本点，每个点包含两个数值型特征 X1和X2。
梯度上升算法的伪代码
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
程序5-1 Logistic 回归梯度上升优化算法
import os import numpy as np import matplotlib.pyplot as plt from path_settings import machine_learning_PATH data_set_path = os.path.join(machine_learning_PATH, '第五章/data-set') testSet_path = os.path.join(data_set_path, 'testSet.txt') horseColicTraining_path = os.path.join(data_set_path, 'horseColicTraining.txt') horseColicTest_path = os.path.join(data_set_path, 'horseColicTest.txt') def load_data_set(): """导入数据集""" data_mat = [] label_mat = [] # 循环导入.txt文本数据构造成列表 fr = open(testSet_path) for line in fr.readlines(): line_arr = line.strip().split() data_mat.append([1, float(line_arr[0]), float(line_arr[1])]) label_mat.append(int(line_arr[2])) return data_mat, label_mat def sigmoid(in_x): return 1 / (1 + np.exp(-in_x)) def grad_ascent(data_mat_in, class_labels): # 生成特征矩阵 data_matrix = np.mat(data_mat_in) # 生成标记矩阵并反置 label_mat = np.mat(class_labels).transpose() # 计算data_matrix的行列 m, n = np.shape(data_matrix) # 设置移动的步长为0.001 alpha = 0.001 # 设置最大递归次数500次 max_cycles = 500 # 初始化系数为1*3的元素全为1的矩阵 weights = np.ones((n, 1)) # 循环迭代梯度上升算法 for k in range(max_cycles): # 计算真实类别与预测类别的差值 h = sigmoid(data_matrix * weights) error = (label_mat - h) # 调整回归系数 weights = weights + alpha * data_matrix.transpose() * error return weights def test_grad_ascent(): data_mat, label_mat = load_data_set() weights = grad_ascent(data_mat, label_mat) print(weights) """ [[ 4.12414349] [ 0.48007329] [-0.6168482 ]] """ if __name__ == '__main__': test_grad_ascent()
分析数据：画出决策边界
- 该节将通过代码画出决策边界
程序5-2 画出数据集和 Logistic 回归最佳拟合直线的函数
def plot_best_fit(wei):
# getA==np.asarrayz(self)
# 使用__class__.__name__为了判断是梯度上升和随机梯度上升
if wei.__class__.__name__ == 'matrix':
weights = wei.getA()
elif wei.__class__.__name__ == 'ndarray':
weights = wei
else:
weights = wei
data_mat, label_mat = load_data_set()
# 把特征集转换成数组
data_arr = np.array(data_mat)
n = np.shape(data_arr)[0]
# 循环数据集分类
xcord1 = []
ycord1 = []
xcord2 = []
ycord2 = []
for i in range(n):
if int(label_mat[i]) == 1:
xcord1.append(data_arr[i, 1])
ycord1.append(data_arr[i, 2])
else:
xcord2.append(data_arr[i, 1])
ycord2.append(data_arr[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')
# 0.1是步长
x = np.arange(-3, 3, 0.1)
# 假设 sigmoid 函数为0，并且这里的 x，y 相当于上述的 x1和x2即可得出 y 的公式
y = (-weights[0] - weights[1] * x) / weights[2]
ax.plot(x, y)
plt.xlabel('X1')
plt.ylabel('X2')
plt.show()
def test_plot_best_fit():
data_mat, label_mat = load_data_set()
weights = grad_ascent(data_mat, label_mat)
plot_best_fit(weights)
if __name__ == '__main__':
# test_grad_ascent()
test_plot_best_fit()图5-4 梯度上升算法500次迭代后的结果
- 通过图5-4 可以看出我们只分错了2-4个点。
训练算法：随机梯度上升
- 梯度上升法每次更新回归系数时都需要遍历整个数据集，如果样本或者特征数过多就应该考虑使用随机梯度上升算法。
- 随机梯度上升：一次仅用一个样本点来更新回归系数，不需要重新读取整个数据集。
随机梯度上升算法伪代码
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
程序5-3 随机梯度上升算法
def stoc_grad_ascent0(data_matrix, class_labels): """随机梯度上升算法""" m, n = np.shape(data_matrix) alpha = 0.01 weights = np.ones(n) for i in range(m): # 使用 sum 函数得出一个值，只用计算一次 h = sigmoid(sum(data_matrix[i] * weights)) error = class_labels[i] - h weights = weights + alpha * error * data_matrix[i] return weights def test_stoc_grad_ascent0(): data_arr, label_mat = load_data_set() weights = stoc_grad_ascent0(np.array(data_arr), label_mat) plot_best_fit(weights) if __name__ == '__main__': # test_grad_ascent() # test_plot_best_fit() test_stoc_grad_ascent0()
- 梯度上升和随机梯度上升：从代码中我们可以看到前者变量 h 和误差 error 都是向量，而后者全是数值；前者是矩阵转换，后者则是 numpy 数组。
图5-5 随机梯度上升算法图
- 图5-5可以看出随机梯度上升算法的最佳拟合直线并非最佳分类线
程序5-4 改进的随机梯度上升算法
def stoc_grad_ascent1(data_matrix, class_labels, num_iter=150): """改进随机梯度上升算法，默认迭代150次""" m, n = np.shape(data_matrix) weights = np.ones(n) for j in range(num_iter): data_index = list(range(m)) for i in range(m): # 每次迭代减小 alpha 的值，但最小为0.01，确保新数据依然有影响。缓解系数波动的情况 alpha = 4 / (1 + j + i) + 0.01 # 随机选取值进行更新 rand_index = int(np.random.uniform(0, len(data_index))) h = sigmoid(sum(data_matrix[rand_index] * weights)) error = class_labels[rand_index] - h weights = weights + alpha * error * data_matrix[rand_index] # 删除更新后的值 del (data_index[rand_index]) return weights def test_stoc_grad_ascent1(): data_arr, label_mat = load_data_set() weights = stoc_grad_ascent1(np.array(data_arr), label_mat) plot_best_fit(weights) if __name__ == '__main__': # test_grad_ascent() # test_plot_best_fit() # test_stoc_grad_ascent0() test_stoc_grad_ascent1()
图5-6 改进随机梯度上升算法图
- 图5-6可以看出150次的跌打就能得到一条很好的分类线，而梯度上升算法需要迭代500次。
示例：从疝气病预测病马的死亡率
- 疝气病：描述马胃肠痛的术语
- 数据集中包含368个样本和28个特征，并且有30%的值是缺失的
示例：使用 Logistic 回归估计马疝病的死亡率
- 收集数据：给定数据文件
- 准备数据：用 Python 解析文本文件并填充缺失值
- 分析数据：可视化并观察数据
- 训练算法：使用优化算法，找到最佳的系数
- 测试算法：观察错误率，根据错误率决定是否会退到训练阶段；改变迭代的次数和步长等参数来得到更好的回归系数
- 使用算法：实现一个简单的程序来手机马的症状并输出预测结果
准备数据：处理数据中的缺失值
- 数据的获取是相当昂贵的，扔掉和重新获取都是不可取的
- 以下几种方法可以解决数据的缺失的问题
- 使用可用特征的均值来填补缺失值
- 使用特殊值来填补缺失值
- 忽略有缺失值的样本
- 使用相似样本的均值填补缺失值
- 使用另外的机器学习算法预测缺失值
- 预处理第一件事：用0替代所有的缺失值，因为缺失值为0时回归系数的更新公式不会更新并且 sigmoid(0)=0.5，他对结果的预测不具有任何倾向性
- 预处理第二件事：对于数据标记缺失的数据舍弃，因为标记很难确定采用某个合适的值来替换。
- 预处理后的文件：对于原始数据文件可以去 http://archive.ics.uci.edu/ml/datasets/Horse+Colic 获取，此处只提供预处理之后的文件
测试算法：用 Logistic 回归进行分类
def classify_vector(in_x, weights):
prob = sigmoid(sum(in_x * weights))
if prob > 0.5:
return 1
else:
return 0
def colic_test():
"""马疝病造成马死亡概率预测"""
fr_train = open(horseColicTraining_path)
fr_test = open(horseColicTest_path)
training_set = []
training_labels = []
for line in fr_train.readlines():
# 切分所有特征并把特征加入 line_arr 列表中
curr_line = line.strip().split('\t') # type:list
line_arr = []
for i in range(21):
line_arr.append(float(curr_line[i]))
# 分开处理特征和标记
training_set.append(line_arr)
training_labels.append(float(curr_line[21]))
train_weights = stoc_grad_ascent1(np.array(training_set), training_labels, 500)
print(train_weights)
error_count = 0
num_test_vec = 0
for line in fr_test.readlines():
num_test_vec += 1
curr_line = line.strip().split('\t') # type:list
line_arr = []
for i in range(21):
line_arr.append(float(curr_line[i]))
# 通过比较样本标记与输入系数与特征相乘值 sigmoid 函数得到的标记判断是否预测失误
if int(classify_vector(np.array(line_arr), train_weights)) != int(curr_line[21]):
error_count += 1
error_rate = (float(error_count) / num_test_vec)
print('测试集的错误率: {}'.format(error_rate))
# 测试集的错误率: 0.373134328358209
return error_rate
def multi_test():
num_tests = 10
error_sum = 0
for k in range(num_tests):
error_sum += colic_test()
print('迭代 {} 次后平均错误率为: {}'.format(num_tests, error_sum / float(num_tests)))
# 迭代 10 次后平均错误率为: 0.3656716417910448
if __name__ == '__main__':
# test_grad_ascent()
# test_plot_best_fit()
# test_stoc_grad_ascent0()
# test_stoc_grad_ascent1()
multi_test()完整代码logRegres.py
import os
import numpy as np
import matplotlib.pyplot as plt
from path_settings import machine_learning_PATH
data_set_path = os.path.join(machine_learning_PATH, '第五章/data-set')
testSet_path = os.path.join(data_set_path, 'testSet.txt')
horseColicTraining_path = os.path.join(data_set_path, 'horseColicTraining.txt')
horseColicTest_path = os.path.join(data_set_path, 'horseColicTest.txt')
def load_data_set():
"""导入数据集"""
data_mat = []
label_mat = []
# 循环导入.txt文本数据构造成列表
fr = open(testSet_path)
for line in fr.readlines():
line_arr = line.strip().split()
data_mat.append([1, float(line_arr[0]), float(line_arr[1])])
label_mat.append(int(line_arr[2]))
return data_mat, label_mat
def sigmoid(in_x):
"""构造 sigmoid 函数"""
return 1 / (1 + np.exp(-in_x))
def grad_ascent(data_mat_in, class_labels):
"""梯度上升算法"""
# 生成特征矩阵
data_matrix = np.mat(data_mat_in)
# 生成标记矩阵并反置
label_mat = np.mat(class_labels).transpose()
# 计算data_matrix的行列
m, n = np.shape(data_matrix)
# 设置移动的步长为0.001
alpha = 0.001
# 设置最大递归次数500次
max_cycles = 500
# 初始化系数为1*3的元素全为1的矩阵
weights = np.ones((n, 1))
# 循环迭代梯度上升算法
for k in range(max_cycles):
# 计算真实类别与预测类别的差值
h = sigmoid(data_matrix * weights)
error = (label_mat - h)
# 调整回归系数
weights = weights + alpha * data_matrix.transpose() * error
return weights
def test_grad_ascent():
data_mat, label_mat = load_data_set()
weights = grad_ascent(data_mat, label_mat)
print(weights)
"""
[[ 4.12414349]
[ 0.48007329]
[-0.6168482 ]]
"""
def plot_best_fit(wei):
"""画出被分割的数据集"""
# getA==np.asarrayz(self)
# 使用__class__.__name__为了判断是梯度上升和随机梯度上升
if wei.__class__.__name__ == 'matrix':
weights = wei.getA()
elif wei.__class__.__name__ == 'ndarray':
weights = wei
else:
weights = wei
data_mat, label_mat = load_data_set()
# 把特征集转换成数组
data_arr = np.array(data_mat)
n = np.shape(data_arr)[0]
# 循环数据集分类
xcord1 = []
ycord1 = []
xcord2 = []
ycord2 = []
for i in range(n):
if int(label_mat[i]) == 1:
xcord1.append(data_arr[i, 1])
ycord1.append(data_arr[i, 2])
else:
xcord2.append(data_arr[i, 1])
ycord2.append(data_arr[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')
# 0.1是步长
x = np.arange(-3, 3, 0.1)
# 假设 sigmoid 函数为0，并且这里的 x，y 相当于上述的 x1和x2即可得出 y 的公式
y = (-weights[0] - weights[1] * x) / weights[2]
ax.plot(x, y)
plt.xlabel('X1')
plt.ylabel('X2')
plt.show()
def test_plot_best_fit():
data_mat, label_mat = load_data_set()
weights = grad_ascent(data_mat, label_mat)
plot_best_fit(weights)
def stoc_grad_ascent0(data_matrix, class_labels):
"""随机梯度上升算法"""
m, n = np.shape(data_matrix)
alpha = 0.01
weights = np.ones(n)
for i in range(m):
# 使用 sum 函数得出一个值，只用计算一次
h = sigmoid(sum(data_matrix[i] * weights))
error = class_labels[i] - h
weights = weights + alpha * error * data_matrix[i]
return weights
def test_stoc_grad_ascent0():
data_arr, label_mat = load_data_set()
weights = stoc_grad_ascent0(np.array(data_arr), label_mat)
plot_best_fit(weights)
def stoc_grad_ascent1(data_matrix, class_labels, num_iter=150):
"""改进随机梯度上升算法，默认迭代150次"""
m, n = np.shape(data_matrix)
weights = np.ones(n)
for j in range(num_iter):
data_index = list(range(m))
for i in range(m):
# 每次迭代减小 alpha 的值，但最小为0.01，确保新数据依然有影响。缓解系数波动的情况
alpha = 4 / (1 + j + i) + 0.01
# 随机选取值进行更新
rand_index = int(np.random.uniform(0, len(data_index)))
h = sigmoid(sum(data_matrix[rand_index] * weights))
error = class_labels[rand_index] - h
weights = weights + alpha * error * data_matrix[rand_index]
# 删除更新后的值
del (data_index[rand_index])
return weights
def test_stoc_grad_ascent1():
data_arr, label_mat = load_data_set()
weights = stoc_grad_ascent1(np.array(data_arr), label_mat)
plot_best_fit(weights)
def classify_vector(in_x, weights):
prob = sigmoid(sum(in_x * weights))
if prob > 0.5:
return 1
else:
return 0
def colic_test():
"""马疝病造成马死亡概率预测"""
fr_train = open(horseColicTraining_path)
fr_test = open(horseColicTest_path)
training_set = []
training_labels = []
for line in fr_train.readlines():
# 切分所有特征并把特征加入 line_arr 列表中
curr_line = line.strip().split('\t') # type:list
line_arr = []
for i in range(21):
line_arr.append(float(curr_line[i]))
# 分开处理特征和标记
training_set.append(line_arr)
training_labels.append(float(curr_line[21]))
train_weights = stoc_grad_ascent1(np.array(training_set), training_labels, 500)
print(train_weights)
error_count = 0
num_test_vec = 0
for line in fr_test.readlines():
num_test_vec += 1
curr_line = line.strip().split('\t') # type:list
line_arr = []
for i in range(21):
line_arr.append(float(curr_line[i]))
# 通过比较样本标记与输入系数与特征相乘值 sigmoid 函数得到的标记判断是否预测失误
if int(classify_vector(np.array(line_arr), train_weights)) != int(curr_line[21]):
error_count += 1
error_rate = (float(error_count) / num_test_vec)
print('测试集的错误率: {}'.format(error_rate))
# 测试集的错误率: 0.373134328358209
return error_rate
def multi_test():
num_tests = 10
error_sum = 0
for k in range(num_tests):
error_sum += colic_test()
print('迭代 {} 次后平均错误率为: {}'.format(num_tests, error_sum / float(num_tests)))
# 迭代 10 次后平均错误率为: 0.3656716417910448
if __name__ == '__main__':
# test_grad_ascent()
# test_plot_best_fit()
# test_stoc_grad_ascent0()
# test_stoc_grad_ascent1()
multi_test()总结
- Logistic 回归：寻找一个非线性函数 Sigmoid 的最佳拟合参数。
- 求解过程：通过最优化算法（常用的梯度上升算法），通过简化梯度上升算法得到随机梯度上升算法
- 对缺失数据的处理：机器学习中最后只能更要的问题之一，主要还是取决于实际应用中的需求。
这篇关于《机器学习实战》-逻辑(Logistic)回归的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！
- 2024-11-23增量更新怎么做？-icode9专业技术文章分享
- 2024-11-23压缩包加密方案有哪些？-icode9专业技术文章分享
- 2024-11-23用shell怎么写一个开机时自动同步远程仓库的代码？-icode9专业技术文章分享
- 2024-11-23webman可以同步自己的仓库吗？-icode9专业技术文章分享
- 2024-11-23在 Webman 中怎么判断是否有某命令进程正在运行？-icode9专业技术文章分享
- 2024-11-23如何重置new Swiper?-icode9专业技术文章分享
- 2024-11-23oss直传有什么好处？-icode9专业技术文章分享
- 2024-11-23如何将oss直传封装成一个组件在其他页面调用时都可以使用？-icode9专业技术文章分享
- 2024-11-23怎么使用laravel 11在代码里获取路由列表？-icode9专业技术文章分享
- 2024-11-22怎么实现ansible playbook 备份代码中命名包含时间戳功能？-icode9专业技术文章分享
