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=1n​θj2​
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=1n​θj​

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

  1. 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 ...

  2. 《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 ...

  3. 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 ...

  4. 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 ...

  5. 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 ...

  6. 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 ...

  7. 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^ ...

  8. 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 ...

  9. 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 ...

最新文章

  1. 基于深度学习的自然图像和医学图像分割:网络结构设计
  2. mybatis 1 - 获取自增ID
  3. ARC中block块作为属性的使用笔记
  4. (React 框架)React技术
  5. 牛客网_PAT乙级_1019. 数字黑洞 (20)
  6. 少儿编程150讲轻松学Scratch(三)-关卡类游戏《鱼塘》
  7. Spring Boot 之spring.factories
  8. (三)Clang/ LLVM编译流程简述
  9. leetcode - 1155. 掷骰子的N种方法
  10. Oracle用户和权限管理
  11. ConcurrentLinkedQueue源码
  12. 写一篇Hook Driver.
  13. Tensorflow之计算tensor平均值
  14. undo log、rollback segment
  15. [qq机器人] nonebot2 群管插件
  16. java jxls_java使用jxls导出Excel
  17. 安装IBM HTTP SERVER
  18. 电视显示通路故障或服务器不可用,百视通电视魔百和故障处理手册
  19. 校友名录复旦计算机科学陆琪,寄语 | 致2017届小鲜肉:年年情相似,岁岁人不同...
  20. 怎么实现微信公众号生成专属二维码推广来源统计

热门文章

  1. PS精选模块之移动工具的6种分布详解(默认针对于选区)
  2. Word 2007 中创建目录的方法
  3. 奇兔recovery卡刷教程_奇兔开发者学院课程教学第四讲: Recovery备份提取制作ROM
  4. vue 主题色切换,黑白切换(less,sass)
  5. Java技术本纪(2005.08.18 来自:《程序员》杂志)
  6. Camunda 实战 :流程部署和发起 (二)
  7. Apriori算法及超市数据集挖掘实战
  8. 【Vue3】创建 vite + vue3 + Ant Design Vue 项目
  9. 5个超实用视频素材网站,免费下载~
  10. html5给文字添加拼音,html5给汉字加拼音加进度条的实现代码