首页 > 代码库 > Logistic回归 python实现

Logistic回归 python实现

2024-08-04 00:05:52   224人阅读

Logistic回归

算法优缺点：


1.计算代价不高，易于理解和实现
2.容易欠拟合，分类精度可能不高
3.适用数据类型：数值型和标称型

算法思想：

  • 其实就我的理解来说，logistic回归实际上就是加了个sigmoid函数的线性回归，这个sigmoid函数的好处就在于，将结果归到了0到1这个区间里面了，并且sigmoid（0）=0.5，也就是说里面的线性部分的结果大于零小于零就可以直接计算到了。这里的求解方式是梯度上升法，具体我就不扯了，最推荐的资料还是Ng的视频，那里面的梯度下降就是啦，只不过一个是梯度上升的方向一个是下降的方向，做法什么的都一样。
  • 而梯度上升（准确的说叫做“批梯度上升”）的一个缺点就是计算量太大了，每一次迭代都需要把所有的数据算一遍，这样一旦训练集大了之后，那么计算量将非常大，所以这里后面还提出了随机梯度下降，思想就是每次只是根据一个data进行修正。这样得到的最终的结果可能会有所偏差但是速度却提高了很多，而且优化之后的偏差还是很小的。随机梯度上升的另一个好处是这是一个在线算法，可以根据新数据的到来不断处理

函数：

loadDataSet()
创建数据集，这里的数据集就是在一个文件中，这里面有三行，分别是两个特征和一个标签，但是我们在读出的时候还加了X0这个属性
sigmoid(inX)
sigmoid函数的计算，这个函数长这样的，基本坐标大点就和阶跃函数很像了


gradAscend(dataMatIn, classLabels)
梯度上升算法的实现，里面用到了numpy的数组，并且设定了迭代次数500次，然后为了计算速度都采取了矩阵计算，计算的过程中的公式大概是：w= w+alpha*(y-h)x[i]（一直懒得写公式，见谅。。。）
gradAscendWithDraw(dataMatIn, classLabels)
上面的函数加强版，增加了一个weight跟着迭代次数的变化曲线
stocGradAscent0(dataMatrix, classLabels)
这里为了加快速度用来随机梯度上升，即每次根据一组数据调整（额，好吧，这个际没有随机因为那是线面那个函数）
stocGradAscentWithDraw0(dataMatrix, classLabels)
上面的函数加强版，增加了一个weight跟着迭代次数的变化曲线
stocGradAscent1(dataMatrix, classLabels, numIter=150)
这就真的开始随机了，随机的主要好处是减少了周期性的波动了。另外这里还加入了alpha的值随迭代变化，这样可以让alpha的值不断的变化，但是都不会减小到0。
stocGradAscentWithDraw1(dataMatrix, classLabels, numIter=150)
上面的函数加强版，增加了一个weight跟着迭代次数的变化曲线
plotBestFit(wei)
根据计算的weight值画出拟合的线，直观观察效果

运行效果分析：
1、梯度上升：
迭代变化趋势
分类结果：
2、随机梯度上升版本1
迭代变化趋势
分类结果：
这个速度虽然快了很多但是效果不太理想啊。不过这个计算量那么少，我们如果把这个迭代200次肯定不一样了，效果如下
果然好多了
3、随机梯度上升版本2
迭代变化趋势
分类结果：
恩，就是这样啦，效果还是不错的啦。代码的画图部分写的有点烂，见谅啦
  1.   1 #coding=utf-8  2 from numpy import *  3   4 def loadDataSet():  5     dataMat = []  6     labelMat = []  7     fr = open(‘testSet.txt‘)  8     for line in fr.readlines():  9         lineArr = line.strip().split() 10         dataMat.append([1.0, float(lineArr[0]), float(lineArr[1])]) 11         labelMat.append(int(lineArr[2])) 12     return dataMat, labelMat 13      14 def sigmoid(inX): 15     return 1.0/(1+exp(-inX)) 16      17 def gradAscend(dataMatIn, classLabels): 18     dataMatrix = mat(dataMatIn) 19     labelMat = mat(classLabels).transpose() 20     m,n = shape(dataMatrix) 21     alpha = 0.001 22     maxCycle = 500 23     weight = ones((n,1)) 24     for k in range(maxCycle): 25         h = sigmoid(dataMatrix*weight) 26         error = labelMat - h 27         weight += alpha * dataMatrix.transpose() * error 28         #plotBestFit(weight) 29     return weight 30  31 def gradAscendWithDraw(dataMatIn, classLabels): 32     import matplotlib.pyplot as plt 33     fig = plt.figure() 34     ax = fig.add_subplot(311,ylabel=‘x0‘) 35     bx = fig.add_subplot(312,ylabel=‘x1‘) 36     cx = fig.add_subplot(313,ylabel=‘x2‘) 37     dataMatrix = mat(dataMatIn) 38     labelMat = mat(classLabels).transpose() 39     m,n = shape(dataMatrix) 40     alpha = 0.001 41     maxCycle = 500 42     weight = ones((n,1)) 43     wei1 = [] 44     wei2 = [] 45     wei3 = [] 46     for k in range(maxCycle): 47         h = sigmoid(dataMatrix*weight) 48         error = labelMat - h 49         weight += alpha * dataMatrix.transpose() * error 50         wei1.extend(weight[0]) 51         wei2.extend(weight[1]) 52         wei3.extend(weight[2]) 53     ax.plot(range(maxCycle), wei1) 54     bx.plot(range(maxCycle), wei2) 55     cx.plot(range(maxCycle), wei3) 56     plt.xlabel(‘iter_num‘) 57     plt.show() 58     return weight 59      60 def stocGradAscent0(dataMatrix, classLabels): 61     m,n = shape(dataMatrix) 62      63     alpha = 0.001 64     weight = ones(n) 65     for i in range(m): 66         h = sigmoid(sum(dataMatrix[i]*weight)) 67         error = classLabels[i] - h 68         weight = weight + alpha * error * dataMatrix[i] 69     return weight 70      71 def stocGradAscentWithDraw0(dataMatrix, classLabels): 72     import matplotlib.pyplot as plt 73     fig = plt.figure() 74     ax = fig.add_subplot(311,ylabel=‘x0‘) 75     bx = fig.add_subplot(312,ylabel=‘x1‘) 76     cx = fig.add_subplot(313,ylabel=‘x2‘) 77     m,n = shape(dataMatrix) 78      79     alpha = 0.001 80     weight = ones(n) 81     wei1 = array([]) 82     wei2 = array([]) 83     wei3 = array([]) 84     numIter = 200 85     for j in range(numIter): 86         for i in range(m): 87             h = sigmoid(sum(dataMatrix[i]*weight)) 88             error = classLabels[i] - h 89             weight = weight + alpha * error * dataMatrix[i] 90             wei1 =append(wei1, weight[0]) 91             wei2 =append(wei2, weight[1]) 92             wei3 =append(wei3, weight[2]) 93     ax.plot(array(range(m*numIter)), wei1) 94     bx.plot(array(range(m*numIter)), wei2) 95     cx.plot(array(range(m*numIter)), wei3) 96     plt.xlabel(‘iter_num‘) 97     plt.show() 98     return weight 99     100 def stocGradAscent1(dataMatrix, classLabels, numIter=150):101     m,n = shape(dataMatrix)102     103     #alpha = 0.001104     weight = ones(n)105     for j in range(numIter):106         dataIndex = range(m)107         for i in range(m):108             alpha = 4/ (1.0+j+i) +0.01109             randIndex = int(random.uniform(0,len(dataIndex)))110             h = sigmoid(sum(dataMatrix[randIndex]*weight))111             error = classLabels[randIndex] - h112             weight = weight + alpha * error * dataMatrix[randIndex]113             del(dataIndex[randIndex])114     return weight115     116 def stocGradAscentWithDraw1(dataMatrix, classLabels, numIter=150):117     import matplotlib.pyplot as plt118     fig = plt.figure()119     ax = fig.add_subplot(311,ylabel=‘x0‘)120     bx = fig.add_subplot(312,ylabel=‘x1‘)121     cx = fig.add_subplot(313,ylabel=‘x2‘)122     m,n = shape(dataMatrix)123     124     #alpha = 0.001125     weight = ones(n)126     wei1 = array([])127     wei2 = array([])128     wei3 = array([])129     for j in range(numIter):130         dataIndex = range(m)131         for i in range(m):132             alpha = 4/ (1.0+j+i) +0.01133             randIndex = int(random.uniform(0,len(dataIndex)))134             h = sigmoid(sum(dataMatrix[randIndex]*weight))135             error = classLabels[randIndex] - h136             weight = weight + alpha * error * dataMatrix[randIndex]137             del(dataIndex[randIndex])138             wei1 =append(wei1, weight[0])139             wei2 =append(wei2, weight[1])140             wei3 =append(wei3, weight[2])141     ax.plot(array(range(len(wei1))), wei1)142     bx.plot(array(range(len(wei2))), wei2)143     cx.plot(array(range(len(wei2))), wei3)144     plt.xlabel(‘iter_num‘)145     plt.show()146     return weight147     148 def plotBestFit(wei):149     import matplotlib.pyplot as plt150     weight = wei151     dataMat,labelMat = loadDataSet()152     dataArr = array(dataMat)153     n = shape(dataArr)[0]154     xcord1 = []155     ycord1 = []156     xcord2 = []157     ycord2 = []158     for i in range(n):159         if int(labelMat[i]) == 1:160             xcord1.append(dataArr[i,1])161             ycord1.append(dataArr[i,2])162         else:163             xcord2.append(dataArr[i,1])164             ycord2.append(dataArr[i,2])165     fig = plt.figure()166     ax = fig.add_subplot(111)167     ax.scatter(xcord1, ycord1, s=30, c=‘red‘, marker=‘s‘)168     ax.scatter(xcord2, ycord2, s=30, c=‘green‘)169     x = arange(-3.0, 3.0, 0.1)170     y = (-weight[0] - weight[1]*x)/weight[2]171     ax.plot(x,y)172     plt.xlabel(‘X1‘)173     plt.ylabel(‘X2‘)174     plt.show()175     176 def main():177     dataArr,labelMat = loadDataSet()178     #w = gradAscendWithDraw(dataArr,labelMat)179     w = stocGradAscentWithDraw0(array(dataArr),labelMat)180     plotBestFit(w)181     182 if __name__ == ‘__main__‘:183     main()

     

来自为知笔记(Wiz)



Logistic回归 python实现


联系
我们