一、逻辑回归

1.模型的保存与加载

2.逻辑回归原理

①逻辑回归的输入

②sigmoid函数

③逻辑回归的损失函数

④逻辑回归特点

3.逻辑回归API

4.逻辑回归案例

①案例概述

②具体流程

5.逻辑回归总结

二、非监督学习

1.k-means聚类算法原理

2.k-means API

3.聚类性能评估

①性能评估原理

②性能评估API

一、逻辑回归

1.模型的保存与加载

模型训练好之后，可以直接保存，需要用到joblib库。保存的时候是pkl格式，二进制，通过dump方法保存。加载的时候通过load方法即可。

安装joblib：conda install joblib

保存：joblib.dump(rf, 'test.pkl')

加载：estimator = joblib.load('模型路径')

加载后直接将测试集代入即可进行预测。

2.逻辑回归原理

逻辑回归是一种分类算法，但该分类的标准，是通过h(x)输入后，使用sigmoid函数进行转换，同时根据阈值，就能够针对不同的h(x)值，输出0-1之间的数。我们将这个0-1之间的输出，认为是概率。假设阈值是0.5，那么，大于0.5的我们认为是1，否则认为是0。逻辑回归适用于二分类问题。

①逻辑回归的输入

可以看出，输入还是线性回归的模型，里面还是有权重w，以及特征值x，我们的目标依旧是找出最合适的w。

②sigmoid函数

该函数图像如下：

该函数公式如下：

z就是回归的结果h(x)，通过sigmoid函数的转化，无论z是什么值，输出都是在0-1之间。那么我们需要选择最合适的权重w，使得输出的概率及所得结果，能够尽可能地贴近训练集的目标值。因此，逻辑回归也有一个损失函数，称为对数似然损失函数。将其最小化，便可求得目标w。

③逻辑回归的损失函数

损失函数在y=1和0的时候的函数图像如下：

由上图可看出，若真实值类别是1，则h(x)给出的输出，越接近于1，损失函数越小，反之越大。当y=0时同理。所以可据此，当损失函数最小的时候，我们的目标就找到了。

④逻辑回归特点

逻辑回归也是通过梯度下降进行的求解。对于均方误差来说，只有一个最小值，不存在局部最低点；但对于对数似然损失，可能会出现多个局部最小值，目前没有一个能完全解决局部最小值问题的方法。因此，我们只能通过多次随机初始化，以及调整学习率的方法来尽量避免。不过，即使最后的结果是局部最优解，依旧是一个不错的模型。

3.逻辑回归API

sklearn.linear_model.LogisticRegression

其中penalty是正则化方式，C是惩罚力度。

4.逻辑回归案例

①案例概述

给定的数据中，是通过多个特征，综合判断肿瘤是否为恶性。

②具体流程

由于算法的流程基本一致，重点都在于数据和特征的处理，因此本文中不再详细阐述，代码如下：

注意：

逻辑回归的目标值不是0和1，而是2和4，但不需要进行处理，算法中会自动标记为0和1

算法预测完毕后，如果想看召回率，需要注意对所分的类别给出名字，但给名字之前需要先贴标签。见上图。否则方法不知道哪个是良性，哪个是恶性。贴标签的时候顺序需对应好。

一般情况下，哪个类别的样本少，就按照哪个来去判定。比如恶性的少，就以“判断属于恶性的概率是多少”来去判断

5.逻辑回归总结

应用：广告点击率预测、是否患病等二分类问题

优点：适合需要得到一个分类概率的场景

缺点：当特征空间很大时，逻辑回归的性能不是很好（看硬件能力）

二、非监督学习

非监督学习就是，不给出正确答案。也就是说数据中没有目标值，只有特征值。

1.k-means聚类算法原理

假设聚类的类别为3类，流程如下：

①随机在数据中抽取三个样本，作为类别的三个中心点

②计算剩余的点分别道三个中心点的距离，从中选出距离最近的点作为自己的标记。形成三个族群

③分别计算这三个族群的平均值，把三个平均值与之前的三个中心点进行比较。如果相同，结束聚类，如果不同，把三个平均值作为新的聚类中心，重复第二步。

2.k-means API

sklearn.cluster.KMeans

通常情况下，聚类是做在分类之前。先把样本进行聚类，对其进行标记，接下来有新的样本的时候，就可以按照聚类所给的标准进行分类。

3.聚类性能评估

①性能评估原理

简单来说，就是类中的每一个点，与“类内的点”的距离，以及“类外的点”的距离。距离类内的点，越近越好。而距离类外的点，越远越好。

如果sc_i 小于0，说明a_i 的平均距离大于最近的其他簇。聚类效果不好

如果sc_i 越大，说明a_i 的平均距离小于最近的其他簇。聚类效果好

轮廓系数的值是介于 [-1,1] ，越趋近于1代表内聚度和分离度都相对较优

②性能评估API

sklearn.metrics.silhouette_score

聚类算法容易收敛到局部最优，可通过多次聚类解决。

逻辑回归和非监督学习相关推荐

吴恩达机器学习（十六）逻辑回归、简化代价函数、高级优化、多元分类
文章目录 1.逻辑回归 2.简化代价函数与梯度下降 3.高级优化 4.多元分类:一对多 1.逻辑回归以下是监督学习问题中的逻辑回归模型的拟合问题,我们有一个训练集: 我们如何选择参数θ 当y ...
python 线性回归与逻辑回归区别（有监督学习【分类、回归】、无监督学习【聚类、强化学习】、损失函数、梯度下降、学习率、过拟合、欠拟合、正则化）
引用文章1 https://blog.csdn.net/viewcode/article/details/8794401 引用文章2:一.线性回归和逻辑回归一.什么是机器学习利用大量的数据样本,使 ...
监督分类空白处也被分类了_监督学习(2)|本质是分类的“逻辑回归”
引言机器学习,绕不开预测问题,预测绕不开回归和分类.本篇介绍最常用的二分类算法:逻辑回归(Logistics Regression),当然随着算法的发展,它也可用于多分类问题.每一个算法都是许许多多 ...
基于6种监督学习（逻辑回归+决策树+随机森林+SVM+朴素贝叶斯+神经网络）的毒蘑菇分类
公众号:尤而小屋作者:Peter 编辑:Peter 大家好,我是Peter~ 本文是kaggle案例分享的第3篇,赛题的名称是:Mushroom Classification,Safe to eat ...
ESL第五章基扩张和正则化【自然】三次样条/似然比检验/自然正则化、自由度/光滑矩阵/收缩光滑/局部拟合/等价核、非参逻辑回归、多维张量积/加性样条、RKHS/径向基、小波光滑/自适应滤波、B样条
目录 5.1 导言 5.2 分段多项式和样条 5.2.1 自然三次样条Natural Cubic Splines 5.2.2 例子:南非心脏病 5.2.3 例子:音素识别 5.4 光滑样条 5.4.1 ...
逻辑回归损失函数通常是凸函数（附平方差损失的非凸证明以及交叉熵损失函数求导）
Q:为什么逻辑回归损失函数往往要求是凸函数?(此处凸函数是指下凸,国内和国外凸函数的标准不一样,是相反的,吴恩达的机器学习课程凸函数是指下凸) A:如果损失函数是非凸的,使用梯度下降法优化时,最后得到 ...
【机器学习】监督学习--（分类）非线性逻辑回归
注:数据集放在文章末尾 (1)非线性逻辑回归 -- 梯度下降法 import matplotlib.pyplot as plt import numpy as np from sklearn.metr ...
【机器学习】监督学习--（分类）逻辑回归
注:数据集放在文章末尾 (1)逻辑回归 -- 梯度下降法 import matplotlib.pyplot as plt import numpy as np from sklearn.metrics ...
西瓜书+实战+吴恩达机器学习（六）监督学习之逻辑回归 Logistic Regression
文章目录 0. 前言 1. 逻辑回归参数求解方法如果这篇文章对你有一点小小的帮助,请给个关注,点个赞喔,我会非常开心的~ 0. 前言逻辑回归,根据数据对分类边界进行回归,以此分类. y=σ(wTx ...

逻辑回归和非监督学习

一、逻辑回归

1.模型的保存与加载

2.逻辑回归原理

①逻辑回归的输入

②sigmoid函数

③逻辑回归的损失函数

④逻辑回归特点

3.逻辑回归API

4.逻辑回归案例

①案例概述

②具体流程

5.逻辑回归总结

二、非监督学习

1.k-means聚类算法原理

2.k-means API

3.聚类性能评估

①性能评估原理

②性能评估API

逻辑回归和非监督学习相关推荐

最新文章

热门文章