《机器学习实战》学习笔记-[5]-logistic回归
来源:互联网 发布:mysql join 默认值 编辑:程序博客网 时间:2024/06/06 12:31
利用一条直线对给定数据点进行拟合(该线称为最佳拟合直线),这个拟合过程叫回归分析,利用logistic回归分类的主要思想是:根据现有数据对分类边界线建立回归公式。
logistic
优点:计算代价不高,易于理解和实现
缺点:容易欠拟合,分类精度可能不高
适用的数据类型:数值型和标称型数据
对于二分类问题的分类函数最佳可想到单位阶跃函数,1和0分类分明,而现实难以实现。在数据上选择更易处理的sigmoid函数
整体和单位阶跃函数相似
极大似然计算可知:对线性回归,logistic回归和一般回归的认识
w :=w +(y - δ)X
#logistic 学习笔记from numpy import *def loadDataSet(filepath): dataMat = [] # 100*3 labelMat =[] fr = open(filepath) for line in fr.readlines(): lineArr = line.strip().split() dataMat.append([1.0 ,float(lineArr[0]), float(lineArr[1])]) #补X0=1.0 labelMat.append(int(lineArr[2])) #1*100 return dataMat,labelMatdef sigmoid(inX): return 1.0/(1+exp(-inX))def gradAscent(dataMatIn,classLabels): dataMatrix = mat(dataMatIn) labelMat = mat(classLabels).transpose() #转换成数组和转置100*1 m,n = shape(dataMatrix) alpha = 0.001 #步进系数 maxCycles = 500 weights = ones((n,1))#系数初识化为 1 for k in range(maxCycles): h = sigmoid(dataMatrix*weights) error = (labelMat - h) weights = weights + alpha * dataMatrix.transpose() * error # matrix mult return weights
测试
from ML_Learn.com.ML.Class.logistic import logisticdataMat,labelMat = logistic.loadDataSet('/Users/hjw/Documents/Java/python/ML_Learn/ML/ML_Learn/com/ML/Class/logistic/resources/testSet.txt')weights = logistic.gradAscent(dataMat,labelMat)print(weights)# [[ 4.12414349]# [ 0.48007329]# [-0.6168482 ]]
阅读全文
0 0
- 机器学习实战笔记5(logistic回归)
- 机器学习实战Logistic回归笔记
- 机器学习实战笔记-Logistic回归
- 《机器学习实战》学习笔记-[5]-logistic回归
- 机器学习实战5--Logistic回归
- 机器学习实战-5Logistic回归
- 机器学习实战-Logistic回归
- 《机器学习实战》--Logistic回归
- [机器学习实战] -Logistic回归
- 《机器学习实战》--Logistic回归
- 机器学习实战-Logistic回归
- 《机器学习实战》logistic回归
- 机器学习实战-Logistic回归
- 机器学习实战 Logistic回归
- 机器学习实战 Logistic 回归
- 《机器学习实战》学习笔记1-logistic回归
- 机器学习实战学习笔记9——Logistic回归
- 《机器学习实战》学习笔记<四>Logistic回归
- POJ 1821 Fence 笔记
- CentOS 6.5/6.6 安装mysql 5.7 教程
- 用cmd编译c++程序
- java零碎要点009---java实现服务器心跳机制,TCP握手
- 基于排序机制的wordcount程序
- 《机器学习实战》学习笔记-[5]-logistic回归
- 二进制、八进制、十进制、十六进制之间的转换
- SpringBoot的启动过程
- 第三场个人训练赛
- 改变FragmentDialog弹出框大小
- 20170709_网络层的题目、子网划分、子网掩码、CIDR技术
- HIVE和HBASE区别
- Servlet学习
- Volley是如何把response deliver到Main Thread的?