拉格朗日多项式逻辑回归分类算法
来源:互联网 发布:淘宝客公司怎么样 编辑:程序博客网 时间:2024/05/18 13:44
部分用到这篇文章的拉格朗日逻辑回归,现做部分整理,原文选自《拉格朗日多项式逻辑回归分类算法并行计算优化》–谭雪敏
摘要:算法首先利用已知的训练样本进行多元回归参数估算,然后利用得到的回归参数和光谱数据进行分类,能够获得较高的分类精度。
拉格朗日多项式逻辑回归分类算法
1 算法流程
定义待分类的遥感图像为S,波段数为d、列数为sample,行数为line。S≡{1,…,n}代表图像S中共有n个像元;K≡{1,…,K}代表图像的类别集合,K为类别个数;x≡(x1,…,xn)∈Rd,其中xi是一个d维向量;y≡(y1,…,yn)代表图像S 的类标;DL≡{(y1,x1),…,(yL,xL)}为训练样本集合,其中L代表训练样本的个数。
拉格朗日多项式逻辑回归分类算法框架图如图所示。
其具体计算步骤如下:
1)根据高斯径向基核函数将训练样本DL转到可分的高维空间H,其计算公式为:
其中,‖xi-xj‖2 表示像元xi到像元xj的欧氏距离;σ为核函数的参数,控制核函数的径向作用范围。
2)估计回归系数w。回归系数通过拉格朗日多项式算法获得。公式为:
其中,l(w)是最大似然函数,p(w)是多项式逻辑回归函数,其函数公式分别如下:
其中是需要估计的回归参数,h(xi)是输入参数即训练样本,这里用高斯径向基核函数计算获得,即1)中的H。
3)计算后验概率p。p 是多项式逻辑回归模型。已知回归系数w 和输入参数h(xi),其中输入参数h(xi)是待分类图像原始数据并通过高斯径向基核函数转换获得的值。计算每个类别条件下各个特征属性条件概率公式如下:
2 拉格朗日多项式逻辑回归分类计算复杂度分析
表1是1中各计算步骤对于分类类别为K,训练样本个数为L,循环迭代次数为m,图像尺寸为line*sample*d的时间复杂度统计。从以上分析可知,无论是训练样本还是图像数据本身都对算法复杂度有非常大的影响,特别是图像数据量的增加会严重影响算法的计算效率。
- 拉格朗日多项式逻辑回归分类算法
- 分类算法之逻辑回归
- 分类算法--并行逻辑回归算法
- 机器学习-分类算法-逻辑回归
- R语言使用逻辑回归分类算法
- 6章 分类问题、逻辑回归算法
- 分类算法之逻辑回归详解
- 逻辑回归分类器
- 逻辑回归分类器
- 机器学习算法解析—逻辑回归分类
- 分类算法(4) ---- 逻辑回归(LR)
- 分类算法 之 逻辑回归--理论+案例+代码
- 逻辑回归算法——解决分类问题
- 分类算法系列2----逻辑回归特征选择
- 逻辑回归算法--Logistic回归
- 机器学习-逻辑回归-分类
- 分类问题之逻辑回归
- SAS逻辑回归之多分类
- 第七周项目1---建立顺序环形队列算法库
- Android实现微信弹出框效果
- c++对c语言上的增强
- 数据结构——线性表(一)线性表的顺序存储和单链表
- ubuntu16.04服务器开发环境搭建
- 拉格朗日多项式逻辑回归分类算法
- MySQL:索引工作原理
- 深入理解javascript原型和闭包
- angularjs+生成随机数猜数字大小
- Ubuntu14.04的Python问题汇总
- 编程的圣经-设计原则
- 用Kotlin和Anko实现安卓UI(一)
- angularjs+生成随机数猜数字大小
- 实验三 栈和队列的基本操作实现及其应用