MLA Review之四：logistic回归

终于来到logistic回归，logistic回归其实很简单，之前的说到的神经网络就用到了这个方法，其中最重要的就是使用了sigmoid损失函数。当然使用的方法也就最简单的梯度下降法，这里并没有使用之前神经网络的随机梯度下降法，也是为了简单起见。因为之前在神经网络里面使用过了，所以这篇文章就略微介绍下。

logistic回归是属于广义线性回归的一种，基本形式：

z=w0+w1*x1+w2*x2+...+wn*xn

s=1/(1+exp(-z))

损失函数：1/2* (s-y)^2

然后按照梯度下降方法求解参数即可

代码如下：

Python代码

# -*- coding: UTF8 -*-
"""
author:luchi
date:16/2/19
desc:
logistic回归,最常用的回归问题,虽然是回归但是更多的是用到了分类的问题上
其主要的函数是sigmoid,以及使用的训练参数方法也是最常使用的梯度下降法
"""
import math
import numpy as np
def loadDataset():
retDataset=[]
retLabels=[]
fr=open("testSet.txt")
for str in fr.readlines():
strList=str.strip().split()
retDataset.append([1.0,float(strList[0]),float(strList[1])])
retLabels.append(int(strList[2]))
return retDataset,retLabels
"""
计算sigmoid函数
"""
def sigmoid(inX):
return 1.0/(1+np.exp(-inX))
"""
梯度下降方法训练参数
"""
def GradientDecrease(epoch,dataset,labels,alpha):
weight=np.ones((len(dataset[0]),1)) #初始化权重
weightMat=np.mat(weight)
datasetMat=np.mat(dataset)
labelsMat=np.mat(labels).transpose()
size=len(dataset)
for i in range(epoch):
result=datasetMat*weightMat
result=sigmoid(result)
error=result-labelsMat
# print result
# print 1-result
grad=np.multiply(result,1-result)
# print grad
# print alpha*multiply(multiply(error,grad),datasetMat)
nweightMat=np.multiply(np.multiply(error,grad),datasetMat)
# print np.sum(nweightMat,axis=0)/float(size)
weightMat=weightMat-alpha*(np.sum(nweightMat,axis=0)/float(size)).transpose()
# print weightMat
# print weightMat
return weightMat
def plotBestFit(weights):
import matplotlib.pyplot as plt
dataMat,labelMat=loadDataset()
dataArr = np.array(dataMat)
n = np.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 = np.arange(-3.0, 3.0, 0.1)
y = (-weights[0]-weights[1]*x)/weights[2]
print len(y)
ax.plot(x, y)
plt.xlabel('X1'); plt.ylabel('X2');
plt.show()
dataset,labels=loadDataset()
# dataset=np.array([[1,1,2],[1,2,3]])
# labels=np.array([0,1])
weights=GradientDecrease(500,dataset,labels,alpha=0.25)
print weights
plotBestFit(np.array(weights))

结果如下：

从图中可以看出效果还不错。

logistic回归是一种比较简单的方法，与其说是回归，其实更多的可以将其列为二元分类问题，因为sigmoid函数的特点，而且据说logistic回归在现实工作中还运用的比较多，可见并不是都是要高大上的东西才有运用空间，只要实用，也是不错的

最后说一说在Python里面有自带的sum函数，例如计算a=[1,2,3] sum(a)即为6，但是程序中使用到的是numpy里面的sum函数，numpy里面的sum函数还可以设置第二个参数，sum(a,axis),其中a就是array数组或者矩阵，axis=0表示按列求和，axis=1表示按行求和，这点需要注意。另外如果涉及到array或者矩阵的math运算，需要使用numpy里面的相对应的math函数，因此程序中是import numpy as np,然后使用np.log()等等，这点需要注意的

MLA Review之四：logistic回归相关推荐

MLA Review之五：回归
回到回归的正题,回归问题是机器学习领域中应用的比较广的一种方法,不过我觉得大部分的回归模型都是广义线性模型,在Andrew NG的课程中,对广义线性模型做了比较详细的推导,这篇文章的内容是,线性回归. ...
二值logit模型的适用条件_一文读懂条件Logistic回归
在医学研究中,为了控制一些重要的混杂因素,经常会把病例和对照按年龄,性别等条件进行配对,形成多个匹配组.各匹配组的病例数和对照人数是任意的,比如一个病例和若干个对照匹配即1:1,在医学上称作" ...
logistic回归如何_第七章：利用Python实现Logistic回归分类模型
免责声明:本文是通过网络收集并结合自身学习等途径合法获取,仅作为学习交流使用,其版权归出版社或者原创作者所有,并不对涉及的版权问题负责.若原创作者或者出版社认为侵权,请联系及时联系,我将立即删除文章, ...
第七课.Logistic回归算法
Logistic 回归,又名逻辑回归,它从线性回归发展而来,是一种广义的线性回归模型:该模型预测输出的是样本类别的条件概率分布,因而可以取概率值最大的类别作为分类结果,实质上是一个分类模型. 目录算 ...
R语言广义线性模型函数GLM、R中有几种logistic回归扩展和变异、robust包中的glmRob函数鲁棒logistic回归、ms包中的lrm函数拟合序数逻辑回归
R语言广义线性模型函数GLM.glm函数构建逻辑回归模型(Logistic regression).R中有几种logistic回归扩展和变异.robust包中的glmRob函数鲁棒logistic回归 ...
R语言构建logistic回归模型：构建模型公式、拟合logistic回归模型、模型评估，通过混淆矩阵计算precision、enrichment、recall指标
R语言构建logistic回归模型:构建模型公式.拟合logistic回归模型.模型评估,通过混淆矩阵计算precision.enrichment.recall指标目录
R语言glm拟合logistic回归模型实战：基于glm构建逻辑回归模型及模型系数统计显著性分析、每个预测因子对响应变量的贡献
R语言glm拟合logistic回归模型实战:基于glm构建逻辑回归模型及模型系数统计显著性分析.每个预测因子对响应变量的贡献目录
R语言glm拟合logistic回归模型：模型评估（模型预测概率的分组密度图、混淆矩阵、准确率、精确度、召回率、ROC、AUC）、PRTPlot函数获取logistic模型最优阈值(改变阈值以优化)
R语言glm拟合logistic回归模型:模型评估(模型预测概率的分组密度图.混淆矩阵.Accuray.Precision.Recall.ROC.AUC).PRTPlot函数可视化获取logistic ...
R语言广义加性模型（generalized additive models,GAMs）：使用广义线性加性模型GAMs构建logistic回归
R语言广义加性模型(generalized additive models,GAMs):使用广义线性加性模型GAMs构建logistic回归目录

MLA Review之四：logistic回归

MLA Review之四：logistic回归相关推荐

最新文章

热门文章