Logistic回归及梯度上升算法

逻辑回归

逻辑回归可以用来进行回归与分类，两者仅有略微不同，主体算法是一样的，本文以分类进行讲解。如下图二分类问题，我们希望找到一个直线（高维空间为超平面）来将数据划分开。

梯度上升

有了以上的逻辑回归的理论基础，下面我们编程实现这一步骤。就以第一张图的样本为例进行，样本维数为2维，采用梯度上升算法进行迭代。
迭代步数自己选择

批量梯度上升

批量梯度上升每进行一次迭代更新就会计算所有样本，因此得到的模型正确率比较高，但同时计算复杂度高，算法耗时。计算过程如下：

代码如下

import numpy as np
import re
from pandas import DataFrame
import time as time
import matplotlib.pyplot as plt
import mathdef get_data(filename):                 #读取数据f = open(filename)data = DataFrame(columns=['x0','x1','x2','label']) #构造DataFrame存放数据，列名为x与yline = f.readline()line = line.strip()p = re.compile(r'\s+')              #由于数据由若干个空格分隔，构造正则表达式分隔while line:line = line.strip()linedata = p.split(line)data.set_value(len(data),['x0','x1','x2','label'],[1,float(linedata[0]),float(linedata[1]),int(linedata[2])]) #数据存入DataFrameline = f.readline()return np.array(data.loc[:,['x0','x1','x2']]),np.array(data['label'])
def sigmoid(x):return 1.0/(1+np.exp(-x))
def stocGradAscent(dataMat,labelMat,alpha = 0.01):   #随机梯度上升start_time = time.time()                         #记录程序开始时间m,n = dataMat.shapeweights = np.ones((n,1))                         #分配权值为1for i in range(m):h = sigmoid(np.dot(dataMat[i],weights).astype('int64')) #注意：这里两个二维数组做内积后得到的dtype是object,需要转换成int64error = labelMat[i]-h                        #误差weights = weights + alpha*dataMat[i].reshape((3,1))*error #更新权重duration = time.time()-start_timeprint('time:',duration)return weights
def gradAscent(dataMat,labelMat,alpha = 0.01,maxstep = 1000): #批量梯度上升start_time = time.time()m,n = dataMat.shapeweights = np.ones((n,1))for i in range(maxstep):h = sigmoid(np.dot(dataMat,weights).astype('int64'))  #这里直接进行矩阵运算labelMat = labelMat.reshape((100,1))                  #label本为一维,转成2维error = labelMat-h                                    #批量计算误差weights = weights + alpha*np.dot(dataMat.T,error)     #更新权重duration = time.time()-start_timeprint('time:',duration)return weights
def betterStoGradAscent(dataMat,labelMat,alpha = 0.01,maxstep = 150):start_time = time.time()m,n = dataMat.shapeweights = np.ones((n,1))for j in range(maxstep):for i in range(m):alpha = 4/(1+i+j) + 0.01                         #设置更新率随迭代而减小h = sigmoid(np.dot(dataMat[i],weights).astype('int64'))error = labelMat[i]-hweights = weights + alpha*dataMat[i].reshape((3,1))*errorduration = time.time()-start_timeprint('time:',duration)return weights
def show(dataMat, labelMat, weights):#dataMat = np.mat(dataMat)#labelMat = np.mat(labelMat)m,n = dataMat.shapemin_x = min(dataMat[:, 1])max_x = max(dataMat[:, 1])xcoord1 = []; ycoord1 = []xcoord2 = []; ycoord2 = []for i in range(m):if int(labelMat[i]) == 0:xcoord1.append(dataMat[i, 1]); ycoord1.append(dataMat[i, 2])elif int(labelMat[i]) == 1:xcoord2.append(dataMat[i, 1]); ycoord2.append(dataMat[i, 2])fig = plt.figure()ax = fig.add_subplot(111)ax.scatter(xcoord1, ycoord1, s=30, c="red", marker="s")ax.scatter(xcoord2, ycoord2, s=30, c="green")x = np.arange(min_x, max_x, 0.1)y = (-float(weights[0]) - float(weights[1])*x) / float(weights[2])ax.plot(x, y)plt.xlabel("x1"); plt.ylabel("x2")plt.show()if __name__=='__main__':dataMat,labelMat = get_data('data1.txt')weights = gradAscent(dataMat,labelMat)show(dataMat,labelMat,weights)

效果

随机梯度：

批量梯度：

改进的随机梯度：实际就是进行多次随机梯度，学习率随着迭代步数而减小。

Logistic回归及梯度上升算法相关推荐

Logistic回归与梯度上升算法
下面大部分是转载的,加上自己的笔记在<机器学习实战>一书的第5章中讲到了Logistic用于二分类问题.书中只是给出梯度上升算法代码,但是并没有给出数学推导.故哪怕是简单的几行代码,依然 ...
Logistic回归与梯度下降法
Logistic回归为概率型非线性回归模型,是研究二分类观察结果与一些影响因素之间关系的一种多变量分析方法.通常的问题是,研究某些因素条件下某个结果是否发生,比如医学中根据病人的一些症状来判断它是 ...
1.2.2 Logistic回归和梯度下降计算的数学流程
计算图可以说,一个神经网络的计算都是按照前向或者反向传播过程来实现的,首先计算出神经网络的输出,紧接着一个反向传播的操作.后者,我们用来计算出对应的梯度或者导数.这个流程图解释了为什么用这样的方式来 ...
2.14 向量化 Logistic 回归的梯度输出-深度学习-Stanford吴恩达教授
←上一篇 ↓↑ 下一篇→ 2.13 向量化 Logistic 回归回到目录 2.15 Python 中的广播向量化 Logistic 回归的梯度输出 (Vectorizing Logistic R ...
2.9 Logistic 回归的梯度下降法-深度学习-Stanford吴恩达教授
←上一篇 ↓↑ 下一篇→ 2.8 计算图的导数计算回到目录 2.10 m 个样本的梯度下降 Logistic 回归的梯度下降法 (Logistic Regression Gradient Desce ...
深度学习（二）向量化 Logistic 回归及其梯度输出
概述本篇属于理论篇,你将了解什么是向量化.向量化对神经网络训练优化的重要性,以及如何向量化 Logistic 回归及其梯度输出. 转自猴开发博客:深度学习(二)向量化 Logistic 回归及其梯度 ...
1.2.1 Logistic回归和梯度下降简介
二分分类计算机要保存一张图片,实际需要保存三个矩阵.分别对应的是红绿蓝三个颜色通道. 在二分分类问题中,目标是训练出一个分类器.它以图片中的特征向量x作为输入,预测输出结果标签y是1(是一个猫)还是 ...
逻辑斯特回归(随机梯度上升算法)预测马疝病的死亡率问题
预测马疝病死亡率github代码随机梯度上升(下降)算法推导过程: 使用的一些变量,类别标签向量 y y,数据集样本矩阵XX,回归系数向量 W W,观察值与真实值偏差向量ee,步长(学习率) α \ ...
【机器学习】机器学习从零到掌握之十三 -- 教你理解Logistics回归之梯度上升算法
本文是<机器学习从零到掌握>系列之第13篇机器学习从零到掌握之一 -- 教你理解K近邻算法机器学习从零到掌握之二 -- 教你实现K近邻算法机器学习从零到掌握之三 -- 教你使用K近邻 ...
2.14 向量化 logistic 回归的梯度输出

Logistic回归及梯度上升算法

Logistic回归及梯度上升算法相关推荐

最新文章

热门文章