Python梯度下降法实现二元逻辑回归

二元逻辑回归假设函数

定义当函数值大于等于0.5时，结果为1，当函数值小于0.5时，结果为0.函数的值域是(0, 1)。

二元逻辑回归的损失函数

上图为二元逻辑回归的概率公式，则代价函数可以表示为

损失函数求偏倒数为

可以发现和线性回归的结果是一样的，只不过是假设函数h发生了变化。

正则化

为了避免过拟合，通常在代价函数后加一个正则化项，针对二元逻辑回归，填加正则化项，
12∑j=1nθj2\frac{1}{2}\sum_{j=1}^{n}\theta _{j}^{2}21∑j=1nθj2
这样，随时函数后就应该添加一项
1m∑j=1nθj\frac{1}{m}\sum_{j=1}^{n}\theta _{j}m1∑j=1nθj

Python代码实现

import numpy as np
import matplotlib.pyplot as plt# 特征数目
n = 2
# 构造训练集
X1 = np.arange(-2., 2., 0.02)
m = len(X1)X2 = X1 + np.random.randn(m)
# print(X1, X2)
one = np.full(m, 1.0)
Y = 1 / (np.full(m, 1.0) + np.exp(-(0.1 * np.random.randn(m)-np.full(m, 0.6) + 5*X1 + 2 * X2)))
# Y
Y = np.array([np.int(round(i)) for i in Y])# 梯度下降法
theta = np.random.rand(n+1)
print(theta)
X = np.vstack([np.full(m, 1), X1, X2]).T
# 前一次的theta
pre = np.zeros(n + 1)
diff = 1e-10
max_loop = 10000
alpha = 0.01
lamda = 1
now_diff = 0
while max_loop > 0:#sum = np.zeros(n + 1)sum = np.sum([(1 / (1. + np.exp(- np.dot(theta, X[i]))) - Y[i])*X[i] for i in range(m)], axis=0)# for i in range(m):#    sum += (1 / (1. + np.exp(- np.dot(theta, X[i]))) - Y[i])*X[i]theta = theta - (alpha * sum + alpha * lamda * theta)print("还差 %d 次" % max_loop, "theta = ", theta)now_diff = np.linalg.norm(theta - pre)if(now_diff <= diff):breakpre = thetamax_loop -= 1# 打印
print("find theta : ", theta, "now_diff : ", now_diff)# 画出平测试例子图
X_1 = np.array([(X1[i], X2[i]) for i in range(m) if Y[i] == 1])
X_0 = np.array([(X1[i], X2[i]) for i in range(m) if Y[i] == 0])
plt.scatter(X_1[:, 0], X_1[:, 1], c='r', marker='o')
plt.scatter(X_0[:, 0], X_0[:, 1], c='g', marker='v')# 画出求得的模型图
point1 = np.arange(-2, 2, 0.02)
point2 = (theta[0] + theta[1] * point1)/(-theta[2])plt.plot(point1, point2)
plt.xlabel('X1')
plt.ylabel('X2')
plt.show()

效果图如下

Python梯度下降法实现二元逻辑回归相关推荐

鸢尾花分类python_二元逻辑回归实现鸢尾花数据分类（python）
说明: 本文利用python实现二元逻辑回归,没有加正则项.挑选iris数据前100个样本作为训练集,他们分属于两个类别,样本特征选择第1列(花萼长度x1)和第2列(花萼宽度x2). 程序以函数形式实 ...
《人工智能》机器学习 - 第5章逻辑回归（二二元逻辑回归实战）
5.2二元逻辑回归实战 5.2.1二元逻辑回归简单实例首先看看数据吧. 随机的一些数据,这是一个二分问题的数据.先导入数据.Python代码如下. """ 函数说明:读 ...
基于Octave/Matlab的二元逻辑回归（logistic regression）算法
基于Octave/Matlab的二元逻辑回归(logistic regression)算法本博文基于吴恩达老师的机器学习网课,是对作业代码进行简化和补充完整后的实现. 逻辑回归算法的基本思想 sig ...
数学推导+纯Python实现机器学习算法：逻辑回归
2019独角兽企业重金招聘Python工程师标准>>> 自本系列第一讲推出以来,得到了不少同学的反响和赞成,也有同学留言说最好能把数学推导部分写的详细点,笔者只能说尽力,因为打公式实 ...
二元逻辑回归 · 数学推导过程及代码实现完全解析
文章目录概述两个重要函数预测的基本思想二元逻辑回归线性模型的简单回顾从线性回归到二元逻辑回归参数怎么估计梯度下降牛顿迭代最近修改:2021/6/17 原文<从二元逻辑回归到多 ...
练习：二元逻辑回归实现
一.什么是逻辑回归模型逻辑回归模型是线性的二分类模型. 逻辑回归的表达式: f(x)就是大名鼎鼎的Sigmoid函数,也称为Logistic函数.这个函数的曲线如下: sigmoid函数的作用就是将 ...
机器学习 -- 二元逻辑回归实例
二元逻辑回归可用于向量的概率预测,是一种分类算法.迭代方式可选择最小二乘法或梯度下降. 迭代之后会得到每个特征的系数. 公式(对于有N个特征的向量,其中w[i]为权): f(x) = 1/(1+ e^ ...
二元logistic模型案例_二元逻辑回归的简介与操作演示
二元逻辑回归介绍定义 Logistic回归主要用于因变量为分类变量(如是否等)的回归分析,自变量可以为分类变量,也可以为连续变量.它可以从多个自变量中选出对因变量有影响的自变量,并可以给出预测公式用 ...
数据分析之非参数检验与二元逻辑回归结果不一致的原因
在对两组数据进行非参数检验时,各项属性间无统计学差异,但以分类变量作为因变量使用二元逻辑回归进行分析时,其中存在属性p值小于0.05,即该变量对因变量的影响具有显著性. 导致该情况的原因可能是由于两 ...

Python梯度下降法实现二元逻辑回归

Python梯度下降法实现二元逻辑回归

二元逻辑回归假设函数

二元逻辑回归的损失函数

正则化

Python代码实现

Python梯度下降法实现二元逻辑回归相关推荐

最新文章

热门文章