用Python实现常见机器学习算法(二)
来源:互联网 发布:刷钻平台源码 编辑:程序博客网 时间:2024/06/09 08:03
二、逻辑回归
https://github.com/lawlite19/MachineLearning_Python/tree/master/LogisticRegression
全部代码
https://github.com/lawlite19/MachineLearning_Python/blob/master/LogisticRegression/LogisticRegression.py
1、代价函数
可以综合起来为:
其中:
为什么不用线性回归的代价函数表示,因为线性回归的代价函数可能是非凸的,对于分类问题,使用梯度下降很难得到最小值,上面的代价函数是凸函数的图像如下,即y=1时:
可以看出,当趋于1,y=1,与预测值一致,此时付出的代价cost趋于0,若趋于0,y=1,此时的代价cost值非常大,我们最终的目的是最小化代价值,同理的图像如下(y=0):
2、梯度
同样对代价函数求偏导:
可以看出与线性回归的偏导数一致
推导过程
3、正则化
目的是为了防止过拟合。在代价函数中加上一项
注意j是重1开始的,因为theta(0)为一个常数项,X中最前面一列会加上1列1,所以乘积还是theta(0),feature没有关系,没有必要正则化
正则化后的代价:
# 代价函数def costFunction(initial_theta,X,y,inital_lambda): m = len(y) J = 0 h = sigmoid(np.dot(X,initial_theta)) # 计算h(z) theta1 = initial_theta.copy() # 因为正则化j=1从1开始,不包含0,所以复制一份,前theta(0)值为0 theta1[0] = 0 temp = np.dot(np.transpose(theta1),theta1) J = (-np.dot(np.transpose(y),np.log(h))-np.dot(np.transpose(1-y),np.log(1-h))+temp*inital_lambda/2)/m # 正则化的代价方程 return J
正则化后的代价的梯度
# 计算梯度 def gradient(initial_theta,X,y,inital_lambda): m = len(y) grad = np.zeros((initial_theta.shape[0])) h = sigmoid(np.dot(X,initial_theta))# 计算h(z) theta1 = initial_theta.copy() theta1[0] = 0 grad = np.dot(np.transpose(X),h-y)/m+inital_lambda/m*theta1 #正则化的梯度 return grad
4、S型函数(即)
实现代码:
# S型函数def sigmoid(z): h = np.zeros((len(z),1)) # 初始化,与z的长度一置 h = 1.0/(1.0+np.exp(-z)) return h
5、映射为多项式
因为数据的feture可能很少,导致偏差大,所以创造出一些feture结合
eg:映射为2次方的形式:
实现代码:
# 映射为多项式 def mapFeature(X1,X2): degree = 3; # 映射的最高次方 out = np.ones((X1.shape[0],1)) # 映射后的结果数组(取代X) ''' 这里以degree=2为例,映射为1,x1,x2,x1^2,x1,x2,x2^2 ''' for i in np.arange(1,degree+1): for j in range(i+1): temp = X1**(i-j)*(X2**j) #矩阵直接乘相当于matlab中的点乘.* out = np.hstack((out, temp.reshape(-1,1))) return out
6、使用scipy的优化方法
梯度下降使用scipy中optimize中的fmin_bfgs函数
调用scipy中的优化算法fmin_bfgs(拟牛顿法Broyden-Fletcher-Goldfarb-Shanno costFunction是自己实现的一个求代价的函数,
initial_theta表示初始化的值,
fprime指定costFunction的梯度
args是其余测参数,以元组的形式传入,最后会将最小化costFunction的theta返回
result = optimize.fmin_bfgs(costFunction, initial_theta, fprime=gradient, args=(X,y,initial_lambda))
7、运行结果
data1决策边界和准确度
data2决策边界和准确度
8、使用scikit-learn库中的逻辑回归模型实现
https://github.com/lawlite19/MachineLearning_Python/blob/master/LogisticRegression/LogisticRegression_scikit-learn.py
导入包
from sklearn.linear_model import LogisticRegression from sklearn.preprocessing import StandardScaler from sklearn.cross_validation import train_test_split import numpy as np
划分训练集和测试集
# 划分为训练集和测试集 x_train,x_test,y_train,y_test = train_test_split(X,y,test_size=0.2)
归一化
# 归一化 scaler = StandardScaler() scaler.fit(x_train) x_train = scaler.fit_transform(x_train) x_test = scaler.fit_transform(x_test)
逻辑回归
#逻辑回归 model = LogisticRegression() model.fit(x_train,y_train)
预测
# 预测 predict = model.predict(x_test) right = sum(predict == y_test) predict = np.hstack((predict.reshape(-1,1),y_test.reshape(-1,1))) # 将预测值和真实值放在一块,好观察 print predict print ('测试集准确率:%f%%'%(right*100.0/predict.shape[0])) #计算在测试集上的准确度
逻辑回归_手写数字识别_OneVsAll
https://github.com/lawlite19/MachineLearning_Python/blob/master/LogisticRegression
全部代码
https://github.com/lawlite19/MachineLearning_Python/blob/master/LogisticRegression/LogisticRegression_OneVsAll.py
1、随机显示100个数字
我没有使用scikit-learn中的数据集,像素是20*20px,彩色图如下
灰度图:
实现代码:
# 显示100个数字def display_data(imgData): sum = 0 ''' 显示100个数(若是一个一个绘制将会非常慢,可以将要画的数字整理好,放到一个矩阵中,显示这个矩阵即可) - 初始化一个二维数组 - 将每行的数据调整成图像的矩阵,放进二维数组 - 显示即可 ''' pad = 1 display_array = -np.ones((pad+10*(20+pad),pad+10*(20+pad))) for i in range(10): for j in range(10): display_array[pad+i*(20+pad):pad+i*(20+pad)+20,pad+j*(20+pad):pad+j*(20+pad)+20] = (imgData[sum,:].reshape(20,20,order="F")) # order=F指定以列优先,在matlab中是这样的,python中需要指定,默认以行 sum += 1 plt.imshow(display_array,cmap='gray') #显示灰度图像 plt.axis('off') plt.show()
2、OneVsAll
如何利用逻辑回归解决多分类的问题,OneVsAll就是把当前某一类看成一类,其他所有类别看作一类,这样有成了二分类的问题了。如下图,把途中的数据分成三类,先把红色的看成一类,把其他的看作另外一类,进行逻辑回归,然后把蓝色的看成一类,其他的再看成一类,以此类推…
可以看出大于2类的情况下,有多少类就要进行多少次的逻辑回归分类
3、手写数字识别
共有0-9,10个数字,需要10次分类
由于数据集y给出的是0,1,2…9的数字,而进行逻辑回归需要0/1的label标记,所以需要对y处理
说一下数据集,前500个是0,500-1000是1,…,所以如下图,处理后的y,前500行的第一列是1,其余都是0,500-1000行第二列是1,其余都是0….
然后调用梯度下降算法求解theta
实现代码:
# 求每个分类的theta,最后返回所有的all_theta def oneVsAll(X,y,num_labels,Lambda): # 初始化变量 m,n = X.shape all_theta = np.zeros((n+1,num_labels)) # 每一列对应相应分类的theta,共10列 X = np.hstack((np.ones((m,1)),X)) # X前补上一列1的偏置bias class_y = np.zeros((m,num_labels)) # 数据的y对应0-9,需要映射为0/1的关系 initial_theta = np.zeros((n+1,1)) # 初始化一个分类的theta # 映射y for i in range(num_labels): class_y[:,i] = np.int32(y==i).reshape(1,-1) # 注意reshape(1,-1)才可以赋值 #np.savetxt("class_y.csv", class_y[0:600,:], delimiter=',') '''遍历每个分类,计算对应的theta值''' for i in range(num_labels): result = optimize.fmin_bfgs(costFunction, initial_theta, fprime=gradient, args=(X,class_y[:,i],Lambda)) # 调用梯度下降的优化方法 all_theta[:,i] = result.reshape(1,-1) # 放入all_theta中 all_theta = np.transpose(all_theta) return all_theta
4、预测
之前说过,预测的结果是一个概率值,利用学习出来的theta代入预测的S型函数中,每行的最大值就是是某个数字的最大概率,所在的列号就是预测的数字的真实值,因为在分类时,所有为0的将y映射在第一列,为1的映射在第二列,依次类推
实现代码:
# 预测def predict_oneVsAll(all_theta,X): m = X.shape[0] num_labels = all_theta.shape[0] p = np.zeros((m,1)) X = np.hstack((np.ones((m,1)),X)) #在X最前面加一列1 h = sigmoid(np.dot(X,np.transpose(all_theta))) #预测 ''' 返回h中每一行最大值所在的列号 - np.max(h, axis=1)返回h中每一行的最大值(是某个数字的最大概率) - 最后where找到的最大概率所在的列号(列号即是对应的数字) ''' p = np.array(np.where(h[0,:] == np.max(h, axis=1)[0])) for i in np.arange(1, m): t = np.array(np.where(h[i,:] == np.max(h, axis=1)[i])) p = np.vstack((p,t)) return p
5、运行结果
10次分类,在训练集上的准确度:
6、使用scikit-learn库中的逻辑回归模型实现
https://github.com/lawlite19/MachineLearning_Python/blob/master/LogisticRegression/LogisticRegression_OneVsAll_scikit-learn.py
1、导入包
from scipy import io as spio import numpy as np from sklearn import svm from sklearn.linear_model import LogisticRegression
2、加载数据
data = loadmat_data("data_digits.mat") X = data['X'] # 获取X数据,每一行对应一个数字20x20px y = data['y'] # 这里读取mat文件y的shape=(5000, 1) y = np.ravel(y) # 调用sklearn需要转化成一维的(5000,)
3、拟合模型
model = LogisticRegression() model.fit(X, y) # 拟合
4、预测
predict = model.predict(X) #预测 print u"预测准确度为:%f%%"%np.mean(np.float64(predict == y)*100)
5、输出结果(在训练集上的准确度)
- 用Python实现常见机器学习算法(二)
- 用Python实现常见机器学习算法(三)
- 常见机器学习算法的Python实现
- 如何用Python实现常见机器学习算法(一)
- Python机器学习(二)--kNN算法实现
- 二,机器学习算法之逻辑回归(python实现)
- 常见机器学习算法Python和R实现
- 用Python实现机器学习算法
- 机器学习常见算法总结(二)
- 用python实现机器学习算法(一)---DesicionTree
- 机器学习算法-python实现
- 机器学习算法python实现
- 机器学习算法练习之(二):Python和Tensorflow分别实现简单的神经网络
- 机器学习专题(二)—— 朴素贝叶斯算法的python实现
- 用Python实现机器学习算法---k近邻算法
- Python实现机器学习二(实现多元线性回归)
- 机器学习常见算法
- 机器学习常见算法
- 欢迎使用CSDN-markdown编辑器
- Linux服务器编程——Linux系统编程之进程通信
- 分段函数
- spring cloud-Swagger2整合Eureka,实现Eureka页面自动跳转到Swagger2UI界面查看服务接口信息
- Python基石
- 用Python实现常见机器学习算法(二)
- MATLAB相机标定的使用并导出XML文件
- 立flag
- shiro权限管理简易整理
- Git入门学习笔记(二) 远程仓库
- CentOS7 Tomcat 实时查看运行日志打印
- Django系列教程(5)-- 视图URLconf及视图函数的定义
- Spring Cloud Feign 使用feign client时遇到的一个坑
- 再回首html和css