机器学习(多元线性回归模型逻辑回归)
多元线性回归
定义:回归分析中,含有两个或者两个以上自变量,称为多元回归,若自变量系数为1,则此回归为多元线性回归。
(特殊的:自变量个数为1个,为一元线性回归)多元线性回归模型如下所示:
如上图所示,一元线性回归图形为一条直线。而二元线性回归,拟合的为一个平面。多元线性回归拟合出的图像为以超平面;
逻辑回归(分类问题的处理)
求解步骤:1)确定回归函数 (通常用Sigmoid函数) ; 2)确定代价函数(含有参数);3)求解参数(梯度下降/最大似然)
1)Sigmoid函数可以作为二分类问题的回归函数,而且此函数为连续的且通过0为界限分为大于0.5与小于0.5的两部分;
Sigmoid函数形式为:
Sigmoid函数图像为:(连续可导满足我们的需求,便于后续参数的求解)
第一步:构造预测函数为:
(在这里就是将sigmoid函数中的自变量部分替换为多元线性回归模型)
第二步:构造损失函数:
这里的y为样本的真实值,根据预测值与真实值之间的关系构造损失函数,求解预测函数参数使得其损失值最小。
结合函数图像当真实值y=1时,预测值越接近1则代价越小(反之越大),同理可得真实值y=0的情况;
由此我们根据y的取值不同构造出损失函数:
第三步:求解函数参数:在这里采用梯度下降法求解参数 ;
通过对参数求偏导数可得变化率为,并通过此关系式求解参数;
逻辑回归实战(Fight)
1)导入所需要的库文件以及获取数据集合(数据集合在最底部^_^)
import numpy as np
import matplotlib.pyplot as plt
import math
#导入必备的包positive = [] #正值点
negative = [] #负值点
#导入数据
dataSet = [] #数据点
def functionexp(k1,k2,x,y,b):return math.exp(k1 * x + k2 *y + b) #e^(θx+b)#数据集合获取
with open('testSet.txt') as f:for line in f:line = line.strip('\n').split('\t')if line[2]=='1':positive.append([float(line[0]),float(line[1])])else:negative.append([float(line[0]),float(line[1])])dataSet.append([float(line[0]),float(line[1]),int(line[2])])
2)根据样本集合求解参数(使用梯度下降法)
#求解参数
k1 = 0
k2 = 0
b = 0
step =2500 #学习步长
learnrate = 1 #学习率
for i in range(step):temp0 = 0temp1 = 0 #初始化参数temp2 = 0for j in dataSet:e = functionexp(k1, k2, j[0], j[1], b)temp0 = temp0 + (e /( 1 + e ) - j[2] ) / len(dataSet)temp1 = temp1 + (e / (1 + e ) - j[2] ) * j[0]/ len(dataSet)temp2 = temp2 + (e / (1 + e ) - j[2] ) * j[1] / len(dataSet)k1 = k1 - temp1 * learnratek2 = k2 - temp2 * learnrateb = b - temp0 * learnrate
3)绘制样本散点图以及决策边界(拟合曲线)
#绘制样本点以及分类边界
dataX = []#样本点X集合
dataY = []#样本点Y集合
for i in positive:dataX.append(i[0])dataY.append(i[1])
plt.scatter(dataX,dataY,c='red')#绘制正样本散点图
dataX.clear()
dataY.clear()
for i in negative:dataX.append(i[0])dataY.append(i[1])
plt.scatter(dataX,dataY,c='blue')#绘制负样本散点图
XX=[-3,3]
plt.plot(XX,(-k1/k2)*np.array(XX)-b/k2,'yellow')
plt.show()
运行结果如下图所示(这里没有过多使用numpy库中的矩阵运算,仅限理解逻辑回归)
up通过sklearn进行逻辑回归:
import numpy as np
import matplotlib.pyplot as plt
import math
from sklearn import linear_model
from sklearn import preprocessing
from sklearn.metrics import classification_reportpositive = [] #正值点
negative = [] #负值点
#导入数据
dataSet = [] #数据点
X=[]
Y=[]#数据集合获取
with open('testSet.txt') as f:for line in f:line = line.strip('\n').split('\t')if line[2]=='1':positive.append([float(line[0]),float(line[1])])else:negative.append([float(line[0]),float(line[1])])dataSet.append([float(line[0]),float(line[1]),int(line[2])])X.append([float(line[0]),float(line[1])])Y.append([int(line[2])])#求解参数
logistic = linear_model.LogisticRegression()
logistic.fit(np.array(X),np.array(Y))#绘制样本点以及分类边界
dataX = []#样本点X集合
dataY = []#样本点Y集合
for i in positive:dataX.append(i[0])dataY.append(i[1])
plt.scatter(dataX,dataY,c='red')#绘制正样本散点图
dataX.clear()
dataY.clear()
for i in negative:dataX.append(i[0])dataY.append(i[1])
plt.scatter(dataX,dataY,c='blue')#绘制负样本散点图
XX=[-3,3]
plt.plot(XX,(-np.array(XX)*logistic.coef_[0][0]-logistic.intercept_)/logistic.coef_[0][1],'black')
plt.show()
回归效果(感觉比自己写的回归效果好=_=)
总结 (关于逻辑回归的思考以及正确率、召回率、F1指标)
在分类问题中可以灵活运用二分类的解法来求解多分类问题(是否问题,即是这一类的和不是这一类的),将多分类问题
转化为二分类问题。而且采用的模型并不一定必须是多元线性模型(非线性模型),根据情况选取合适的模型。
正确率:检索出来的条目有多少是正确的(相对于结果而言)。即:正确的个数在预测为正确总个数的比例;
召回率:正确的有多少被检测出来了,即:检测(预测)出的正确个数/总正确个数;
F1指标:2*正确率*召回率/(正确率+召回率);(综合反映上述两个指标)
以上的指标都是介于0-1之间的,且数值越接近于1说明效果越好;
-0.017612 14.053064 0
-1.395634 4.662541 1
-0.752157 6.538620 0
-1.322371 7.152853 0
0.423363 11.054677 0
0.406704 7.067335 1
0.667394 12.741452 0
-2.460150 6.866805 1
0.569411 9.548755 0
-0.026632 10.427743 0
0.850433 6.920334 1
1.347183 13.175500 0
1.176813 3.167020 1
-1.781871 9.097953 0
-0.566606 5.749003 1
0.931635 1.589505 1
-0.024205 6.151823 1
-0.036453 2.690988 1
-0.196949 0.444165 1
1.014459 5.754399 1
1.985298 3.230619 1
-1.693453 -0.557540 1
-0.576525 11.778922 0
-0.346811 -1.678730 1
-2.124484 2.672471 1
1.217916 9.597015 0
-0.733928 9.098687 0
-3.642001 -1.618087 1
0.315985 3.523953 1
1.416614 9.619232 0
-0.386323 3.989286 1
0.556921 8.294984 1
1.224863 11.587360 0
-1.347803 -2.406051 1
1.196604 4.951851 1
0.275221 9.543647 0
0.470575 9.332488 0
-1.889567 9.542662 0
-1.527893 12.150579 0
-1.185247 11.309318 0
-0.445678 3.297303 1
1.042222 6.105155 1
-0.618787 10.320986 0
1.152083 0.548467 1
0.828534 2.676045 1
-1.237728 10.549033 0
-0.683565 -2.166125 1
0.229456 5.921938 1
-0.959885 11.555336 0
0.492911 10.993324 0
0.184992 8.721488 0
-0.355715 10.325976 0
-0.397822 8.058397 0
0.824839 13.730343 0
1.507278 5.027866 1
0.099671 6.835839 1
-0.344008 10.717485 0
1.785928 7.718645 1
-0.918801 11.560217 0
-0.364009 4.747300 1
-0.841722 4.119083 1
0.490426 1.960539 1
-0.007194 9.075792 0
0.356107 12.447863 0
0.342578 12.281162 0
-0.810823 -1.466018 1
2.530777 6.476801 1
1.296683 11.607559 0
0.475487 12.040035 0
-0.783277 11.009725 0
0.074798 11.023650 0
-1.337472 0.468339 1
-0.102781 13.763651 0
-0.147324 2.874846 1
0.518389 9.887035 0
1.015399 7.571882 0
-1.658086 -0.027255 1
1.319944 2.171228 1
2.056216 5.019981 1
-0.851633 4.375691 1
-1.510047 6.061992 0
-1.076637 -3.181888 1
1.821096 10.283990 0
3.010150 8.401766 1
-1.099458 1.688274 1
-0.834872 -1.733869 1
-0.846637 3.849075 1
1.400102 12.628781 0
1.752842 5.468166 1
0.078557 0.059736 1
0.089392 -0.715300 1
1.825662 12.693808 0
0.197445 9.744638 0
0.126117 0.922311 1
-0.679797 1.220530 1
0.677983 2.556666 1
0.761349 10.693862 0
-2.168791 0.143632 1
1.388610 9.341997 0
0.317029 14.739025 0
机器学习(多元线性回归模型逻辑回归)相关推荐
- Scikit-Learn 机器学习笔记 -- 线性回归、逻辑回归、softmax回归
Scikit-Learn 机器学习笔记 – 线性回归.逻辑回归.softmax回归 参考文档: handson-ml import numpy as np from matplotlib import ...
- 总离差平方和公式_在多元线性回归模型中,回归平方和与总离差平方和的比值称为( )_学小易找答案...
[单选题]参数 的估计量 具备有效性是指( ) [多选题]关于多重判定系数 的公式正确的有( ) [多选题]不满足OLS基本假定的情况,主要包括( ) [单选题]在多元回归分析中,F检验是用来检验( ...
- 机器学习:线性回归和逻辑回归
线性回归和逻辑回归的区别: 两者都属于回归算法,线性回归主要用来解决连续值预测的问题,逻辑回归用来解决分类的问题,输出的属于某个类别的概率,工业界经常会用逻辑回归来做排序.在SVM.GBDT.AdaB ...
- 【机器学习】线性回归与逻辑回归的理论与实战
点击上方,选择星标或置顶,每天给你送干货! 阅读大概需要10分钟 跟随小博主,每天进步一丢丢 作者:奋斗喵 编辑:王萌 1.基本概念 要进行机器学习,首先要有数据.从数据中学得模型的过程称为" ...
- python多元线性回归实例_Python机器学习多元线性回归模型 | kTWO-个人博客
前言 在上一篇文章<机器学习简单线性回归模型>中我们讲解分析了Python机器学习中单输入的线性回归模型,但是在实际生活中,我们遇到的问题都是多个条件决定的问题,在机器学习中我们称之为多元 ...
- 机器学习 之线性回归、逻辑回归、 SVM支持向量机、随机森林
参考b站不会还有人不知道最新版2022年的李宏毅--机器学习与深度学习吧?_哔哩哔哩_bilibili 分类 1.监督学习: 从给定的训练数据集中学习一个函数(模型),当新数据(测试集)来到时 ...
- 机器学习——从线性回归到逻辑回归【附详细推导和代码】
本文始发于个人公众号:TechFlow,原创不易,求个关注 在之前的文章当中,我们推导了线性回归的公式,线性回归本质是线性函数,模型的原理不难,核心是求解模型参数的过程.通过对线性回归的推导和学习,我 ...
- 机器学习笔记——线性回归与逻辑回归
线性回归是什么: 线性回归是回归问题的一种,模型试图去找到y 与 x 的线性关系同时去预测新输入的输出值.模型会找到一条直线使得图像上的每一个点到这条线的欧式距离之和最小,也就是均方误差(MSE)最小 ...
- 吴恩达-机器学习-多元线性回归模型代码
吴恩达<机器学习>2022版 第一节第二周 多元线性回归 房价预测简单实现 以下以下共两个实验,都是通过调用sklearn函数,分别实现了 一元线性回归和多元线性回归的房价 ...
最新文章
- 大数据分析常用去重算法分析『HyperLogLog 篇』
- 1669 DINIC+二分
- 一定要多角度看事物 | 今日最佳
- 实现字符串的编码转换,用以解决字符串乱码问题
- Mysql数据导入导出
- 解决debian下看flash视频很卡的问题
- 黄金手镯一般多少克?
- ora 27102 linux,ORA-27102: out of memory Linux-x86_64 Error: 12: Cannot allocate memory
- 《OpenGL编程指南》一第3章 OpenGL绘制方式
- [课后作业] 第032讲:异常处理:你不可能总是对的
- Pytorch遍历DataLoader时报错BrokenPipeError: [Errno 32] Broken pipe
- hping 详解_hping3 详解
- C# 自定义电脑屏幕保护程序
- 二次方程c语言计算器,解方程计算器
- 易语言文本加密c,易语言数据加密方法步骤
- PPT转换PDF后转成图片
- 数仓工具—Hive语法之窗口函数first_value和last_value(12)
- POJ 2503 Babelfish(map)
- python中调用π的值_python如何调用math函数库求π值
- 【夜读】丰富自己的4个习惯,请逼自己养成
热门文章
- Canvas 图片平铺设置
- 苹果Mac怎样让输入法实现自动切换?
- 【田姓】宗谱——【迁徙分布】
- 怎么知道创元网配资平台靠不靠谱?
- 定时任务@Scheduled(cron = “* * * * * *“) cron表达式
- 荐读 | 分享交易员的书单,向名家请教交易之道,交易精彩无比
- 鸿海集团董事长郭台铭:数字经济是中国制造2025的根基
- BT.656标准简介-内同步并口-以及波形测量
- Bzoj1502【NOI2005】月下柠檬树
- 整理:收集增强WiFi信号的10种方法