Machine Learning系列实验--SoftMax Regression
来源:互联网 发布:密码狗破解软件 编辑:程序博客网 时间:2024/06/05 03:01
原文地址:http://blog.sina.com.cn/s/blog_6982136301015asd.html
SoftMax回归可以用来进行两种以上的分类,很是神奇!实现过程实在有点坎坷,主要是开始写代码的时候理解并不透彻,而且思路不清晰,引以为戒吧!
SoftMax Regression属于指数家族,证明见( http://cs229.stanford.edu/notes/cs229-notes1.pdf 及http://ufldl.stanford.edu/wiki/index.php/Softmax_Regression),最后得出的结论是:
最后写出似然估计:
之后采用梯度或牛顿方法进行逼近:
注意,上面公式采用的是批量梯度,随机梯度当然也是可以的。
参数theta的更新如下:
要注意的是,theta[j]是一个向量。
实验还是参考大牛pennyliang(http://blog.csdn.net/pennyliang/article/details/7048291),代码如下:
- #include
<iostream> - #include
<cmath> - #include
<assert.h> - using
namespace std; -
- const
int K = 2;//有K+1类 - const
int M = 9;//训练集大小 - const
int N = 4;//特征数 -
- double
x[M][N]={{1,47,76,24}, //include x0=1 -
{1,46,77,23}, -
{1,48,74,22}, -
{1,34,76,21}, -
{1,35,75,24}, -
{1,34,77,25}, -
{1,55,76,21}, -
{1,56,74,22}, -
{1,55,72,22}, - };
-
- double
y[M]={1, -
1, -
1, -
2, -
2, -
2, -
3, -
3, -
3,}; -
- double
theta[K][N]={ -
{0.3,0.3,0.01,0.01}, -
{0.5,0.5,0.01,0.01}}; // include theta0 -
- double
h_value[K];//h(x)向量值 -
- //求exp(QT*x)
- double
fun_eqx(double* x, double* q) - {
-
double sum = 0; -
for (int i = 0; i < N; i++) -
{ -
sum += x[i] * q[i]; -
} -
return pow(2.718281828, sum); - }
-
- //求h向量
- void
h(double* x) - {
-
int i; -
double sum = 1;//之前假定theta[K+1]={0},所以exp(Q[K+1]T*x)=1 -
for (i = 0; i < K; i++) -
{ -
h_value[i] = fun_eqx(x, theta[i]); -
sum += h_value[i]; -
} -
-
assert(sum != 0); -
-
for (i = 0; i < K; i++) -
{ -
h_value[i] /= sum; -
} - }
-
- void
modify_stochostic() - {
-
//随机梯度下降,训练参数 -
int i, j, k; -
for (j = 0; j < M; j ++) -
{ -
h(x[j]); -
for (i = 0; i < K; i++) -
{ -
for (k = 0; k < N; k++) -
{ -
theta[i][k] += 0.001 * x[j][k] * ((y[j] == i+1?1:0) - h_value[i]); -
} -
} -
} - }
- void
modify_batch() - {
-
//批量梯度下降,训练参数 -
int i, j, k ; -
for (i = 0; i < K; i++) -
{ -
double sum[N] = {0.0}; -
for (j = 0; j < M; j++) -
{ -
h(x[j]); -
for (k = 0; k < N; k++) -
{ -
sum[k] += x[j][k] * ((y[j] == i+1?1:0) - h_value[i]); -
} -
} -
for (k = 0; k < N; k++) -
{ -
theta[i][k] += 0.001 * sum[k] / N; -
} -
} - }
-
- void
train(void) - {
-
int i; -
for (i = 0; i < 10000; i++) -
{ -
//modify_stochostic(); -
modify_batch(); -
} - }
-
- void
predict(double* pre) - {
-
//输出预测向量 -
int i; -
for (i = 0; i < K; i++) -
h_value[i] = 0; -
train(); -
h(pre); -
for (i = 0; i < K; i++) -
cout << h_value[i] << " " ; -
cout << 1 - h_value[0] - h_value[1] << endl; - }
-
- int
main(void) - {
-
for (int i=0; i < M; i++) -
{ -
predict(x[i]); -
} -
cout << endl; -
double pre[] = {1,20, 80, 50 }; -
predict(pre); -
return 0; - }
代码实现了批量梯度和随机梯度两种方法,实验最后分别将训练样本带入进行估计,迭代10000次的结果为:
stochastic:
0.999504 0.000350044 0.000145502
0.997555 0.00242731 1.72341e-005
0.994635 1.24138e-005 0.00535281
2.59353e-005 0.999974 6.07695e-017
0.00105664 0.998943 -1.09071e-016
4.98481e-005 0.99995 3.45318e-017
0.0018048 1.56509e-012 0.998195
0.000176388 1.90889e-015 0.999824
0.000169041 8.42073e-016 0.999831
batch:
0.993387 0.00371185 0.00290158
0.991547 0.0081696 0.000283336
0.979246 0.000132495 0.0206216
0.000630111 0.99937 4.9303e-014
0.00378715 0.996213 9.37462e-014
0.000299602 0.9997 3.50739e-017
0.00759726 2.60939e-010 0.992403
0.0006897 1.09856e-012 0.99931
0.000545117 5.19157e-013 0.999455
可见随机梯度收敛的更快。
对于预测来说,输出结果每行的三个数表示是:对于输入来说,是1 2 3三类的概率分别是多少。
0 0
- Machine Learning系列实验--SoftMax Regression
- Machine Learning系列实验--SoftMax Regression
- Machine Learning系列实验--SoftMax Regression
- 【Machine Learning实验3】SoftMax regression
- Machine Learning实验3】SoftMax regression
- Deep learning------------softmax regression
- Deep learning:十三(Softmax Regression)
- 【Deep Learning】3、Softmax Regression
- Deep learning:十三(Softmax Regression)
- Deep learning:十三(Softmax Regression)
- Deep learning:十三(Softmax Regression)
- 【Machine Learning实验2】 Logistic Regression求解classification问题
- 【Machine Learning实验2】 Logistic Regression求解classification问题
- Machine Learning:Logistic Regression
- 【machine learning】linear regression
- [Machine Learning]--Logistic Regression
- Machine Learning--logistic regression
- Machine Learning----Regression(2)
- 黑客DOS命令
- SVD分解的理解
- 马震宇-博客
- 概率论与数理统计 知识汇总
- 链表类面试题型之一——约瑟夫环
- Machine Learning系列实验--SoftMax Regression
- 回文树(Palindromic Tree)+黑科技 学习笔记
- 打飞碟游戏
- 后盾网ThinkPHP微博项目
- python单线程文件传输范例(C/S)
- Science杂志公布的机器学习资源
- 网易2017内推笔试题
- 笔试题:输入两个正整数a和b,然后分别将他们的数字按照高位在右边的 方式反转后求和!
- 100个最受欢迎的机器学习课程视频