logistic回归
来源:互联网 发布:unity3d 导出web 编辑:程序博客网 时间:2024/06/11 08:57
logistic回归
一、logistic回归是用来干什么的?
二、logistic回归的原理
三、算法
四、优化总结
一、用于二分类问题,比如分析一头牛犯病的可能性,犯病为1,不犯病为0,由犯病的概率来判断是否犯病;判断一封邮件是否是垃圾邮件;分析天气是否下雨。这些问题都是二分类问题。
二、以上二分类问题用函数表示的话,因变量不是1就是0,那么用海维赛德函数(单位阶跳跃函数)表示并不好来表达,无法表示因为概率来显示的结果,在0到1瞬间跳跃很难处理,于是就引进了sigmoid函数来进行分析。
将sigmoid函数扩展到多维面上,z就变成了一个向量ΘTX的,即:
X为变量,Θ为参数向量,ΘT是Θ的转置,由行变列。ΘTX为矩阵乘法。说白里就是在原有的基础上给各个特征乘上一个参数,再带入sigmoid函数中,结果大于0.5就为1,否则就为0。
现在的问题就是如何求这个Θ向量,就用到下面的梯度上升最优算法。
三、梯度上升最优算法
《机器学习实战》中并没有讲梯度上升算法中的梯度迭代公式的推导过程,只是讲解了Python的代码。
推导过程非常复杂和困难,这里我也只给出梯度迭代公式:
Θj经过无数次的迭代过程最终会得到要求的向量Θ,α为步长,x和y都是已知的训练集的数据。y为一组数据的分类结果,x为一组特征向量。Θj的初值是全为1的向量。
算法伪代码:
回归系数Θ初始化为1
规定步长α和迭代次数R
for循环R次
计算整个数据集的梯度和误差
使用梯度上升最优算法更新回归系数
返回回归系数
详见代码1
注意:1、矩阵相乘的条件,有几个地方是需要矩阵的转置
2、α越小,R越大,精度越高,同时时间复杂度就越高
四、优化和总结
1、梯度上升算法不止这一种,《机器学习实战》中还给出了一种随机梯度上升算法,区别在于变量和误差都是向量,需要矩阵的转换,连步长都每次迭代更新调整,详见代码2。
2、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。梯度迭代公式那推导,过程难理解。
代码1:
# coding=utf-8import numpy as npfrom numpy import *import randomfrom pylab import *def getData(): dataMat = [] labelMat = [] file = open(r'C:\Users\l\Desktop\testSet.txt', 'r+') for i in file.readlines(): lineArr = i.strip().split() dataMat.append([1.0, float(lineArr[0]), float(lineArr[1])]) labelMat.append(int(lineArr[2])) return dataMat, labelMat#梯度上升优化算法def gredAscent(x, y): x = np.mat(x) y = np.mat(y).transpose() print 'x:',x print 'y:',y m,n = x.shape a = 0.001 num = 500 w = np.ones((n, 1)) for i in range(num): h = sigmoid(x*w) loss = y - h w = w + a*x.transpose()*loss return wdef sigmoid(Inx): return 1.0/(1+exp(-Inx))def plotBestFit(weights): import matplotlib.pyplot as plt dataMat,labelMat=getData() dataArr = array(dataMat) n = shape(dataArr)[0] xcord1 = []; ycord1 = [] xcord2 = []; ycord2 = [] for i in range(n): if int(labelMat[i])== 1: xcord1.append(dataArr[i,1]); ycord1.append(dataArr[i,2]) else: xcord2.append(dataArr[i,1]); ycord2.append(dataArr[i,2]) fig = plt.figure() ax = fig.add_subplot(111) ax.scatter(xcord1, ycord1, s=30, c='red', marker='s') ax.scatter(xcord2, ycord2, s=30, c='green') x = arange(-3.0, 3.0, 0.1) y = (-weights[0]-weights[1]*x)/weights[2] print x print y ax.plot(x, y) plt.xlabel('X1'); plt.ylabel('X2'); plt.show()def main(): x, y = getData() w = gredAscent(x, y)#w为向量Θ print w plotBestFit(w.getA())if __name__ == '__main__': main()
代码2:
#梯度上升优化算法def bestgetgredAscent(x, y, num): n,m = shape(x) w = ones(m) for j in range(num): dataIndex = range(n) for i in range(n): a = 4/(1.0+j+i)+0.0001 randIndx = int(np.random.uniform(0, len(dataIndex))) h = sigmoid(sum(x[randIndx]*w)) loss = y[randIndx] - h w = w + np.dot(x[randIndx], a*loss) del(dataIndex[randIndx]) return w
- Logistic回归
- Logistic回归
- logistic回归
- Logistic 回归
- Logistic 回归
- logistic回归
- Logistic回归
- Logistic回归
- Logistic回归
- Logistic回归
- logistic回归
- Logistic回归
- logistic回归
- Logistic 回归
- logistic回归
- Logistic回归
- logistic回归
- Logistic回归
- iOS 符号表恢复 & 逆向支付宝
- java集合LinkHashMap
- 如何使用C++递归来删除单链表中某一个由用户输入特定的值
- 如何将既有项目重构成 MVP 模式
- Spring笔记01-Spring概览
- logistic回归
- 内容耦合
- es6 Generator (十五)
- Installing MariaDB Binary Tarballs
- Web知识点
- 设计模式(13) 享元模式(简单入门 结构模式)
- vue 文件添加postcss postcss-loader
- 深入浅出 JavaScriptCore
- 【HDU-1862】EXCEL排序