用逻辑回归对用户分类 (理论＋实战)

如果你在运营一个2C的平台，那么你肯定关心用户流失的问题。腾讯有个产品叫信鸽Pro，它能够通过对用户往期行为的挖掘，预测用户潜在的流失（付费）行为，进而实现精准营销。据说，腾讯自己的手游就是用这个系统做用户分析的。

信鸽Pro获取大量用户数据，提取用户特征，然后通过算法建模，评估出用户可能的行为。算法建模中最基础的一步就是对用户进行分类。这里就介绍一种常用的分类算法 － 逻辑回归。

模型

用户数据比较复杂，这里用平面上的点举例。假设平面上有一些点，如图所示：




整个平面上只有两种图形，一种是三角形，另一种是圆形。可以把它们想象为两种不同的用户，比如活跃用户／非活跃用户。
问题：如果随意在这个平面新增加一个点, 比如点P(5,19)，那怎知把它归到哪一组更合适？可以想象为对新用户的预测。

思路

我们发现，三角形大都位于左上方，而圆形大都位于右下方。我们可以用尺子在图上画一条直线，该直线尽可能的将三角形和圆形分到两边。然后观察新点位于哪一侧。若与三角形在同一侧，则它应该属于三角形；若位于圆形一侧，则应属于圆形。在本例中，坐标P应该属于三角形更合适。




这个问题似乎很简单。但是，如果三维空间存在类似的问题，答案就没有那么显而易见了。那4维空间呢? 1024维空间呢?

不过别担心！借助计算机算法，N维空间分类的问题已经很容易解决，逻辑回归就是常用的一种。

逻辑回归

逻辑回归的核心思想就是通过现有数据，对分类边界线建立回归公式，以此进行分类。

在介绍算法之前，需要先介绍一个函数: Sigmoid函数。

Sigmoid函数

Sigmoid函数的表达式为：




在坐标系中的图形为：




x>0时，x越大y越接近于1；x<0时，x越小，y越接近于0。如果把坐标拉长，曲线中间就会很“陡”。直观上x的“轻微”变化，都会导致y接近于0或1。





Sigmoid函数的作用是将任意实数转换成0～1的数，而0和1刚好可以用做分类，比如，用1表示三角形，用0表示圆形。小于0.5的可以划分为0类，大于0.5的划分为1类。（注：Sigmoid是单调增长函数，因而多个数字通过Sigmoid转换后相对位置不变，这是选择该函数的重要原因。）

分析步骤

简化模型

为便于分析，把模型中的坐标简化一些。下面的六个坐标点和一条分割线：





其中红色三角形坐标分别是(1,2)、(1.5,7)和(2,6)。绿色圆点坐标分别是（1,0）、(2,3)和(2.5,6)。分割线的函数为y=4x-3. 它的形式还可以转换成：3-4x+y=0 。

我们设表达式f(x,y) = 3-4x+y

把六个点的坐标代到这个方程式里,有

<表1>





(注：标识1表示三角形；标识0表示圆形)
f(x,y)>0的点在分割线上方，是三角形；f(x,y)<0的点在分割线下方，是圆形.

如果有个三角形的坐标是(2,4.5),那这个点的f(x,y)值等于-0.5，这个点就被分割线错误划分了。





现在的问题是，我们只有一些坐标以及这些坐标的分类信息，如何找到一条最优的分割线,使得尽可能少的点被错误划分？

损失函数

损失函数 (Loss Function) 的作用是判断直线错误划分数据的程度。一种方法是计算被错误划分的点的个数，错误点越少，直线越好。但，这种方法很难优化。另一种方法是计算点到直线的距离。



如果是一个平面来划分三维空间的点，那距离公式为




一般的，n维空间上一个点到超平面的距离为




w是超平面的参数向量,



x是超平面的自变量,



b是截距

超平面函数：




表示x向量的第i个元素（特性）；后面会用到

，表示空间中的第i个点。

为了方便计算，一般在x中增加一个元素1，w中增加一个元素w0=b






于是超平面函数变为：



距离公式变为：



超平面上方的点f(x)>0, 下方的点f(x)<0,因此点到超平面的距离（分正负）:




d是一个负无穷到正无穷的数。

通过sigmoid函数，将d变成一个0～1的值，设h = sigmoid(d)。若d为正且越大，h越接近于1，也就越应该属于三角形（分类1）；若d为负，且绝对值越大，h越接近于0，该点也就越应该属于圆形(分类0)。因此，h越接近于分类标识，划分的准确性越高。

设第j个点的分类表示为

，那么下面的公式就表示点j被错误划分的概率。




我们把损失函数设定为所有点被错误划分的平均概率




平方是为了保证概率为正，前面的1/2是为了求导数后消除参数。

那么，问题转化成：找到w的一个值，使得损失函数的值最小。

用梯度下降法求w

所谓梯度，就是函数在某个点增长最快的方向，有时称为斜度。如果函数是一个曲线，某个点的梯度就是该点的斜率，或导数。






如果是曲面，梯度是在两个方向上求偏导。




梯度下降法的核心思想是：欲求函数的最小值，先从某一点出发，沿着函数的梯度的反方向探寻，直到找到最小值。设每次探寻Delta(w)，步长为alpha，则梯度下降的算法的公式为：

求导

用梯度下降法需要先对损失函数求导，我们的损失函数被分成三部分：



——— (1)



——— (2)



———- (3)

可以通过复合函数求导法对损失函数求偏导：




梯度公式重点关注的是导数的符号，所以这里可以简化一下。函数（2）是单调递增函数，所以导数是正数，不影响整体导数的符号，可以去除。 公式（3）的分母是正数，也不影响导数的符号，也可以去掉。最后得：




代入梯度下降算法公式得：




1/m为正数，也可用去掉。

代码

loadData()函数返回坐标值和分类标识。第一个返回值取前三列 x0,x1,x2；第二个返回值取第四列，即label

from numpy import *

def loadData():
data = [[1, 1, 2, 1],
[1, 2, 6, 1],
[1, 1.5, 7, 1],
[1, 1, 0, 0],
[1, 2, 3, 0],
[1, 2.5, 6, 0]]
ds = [e[0:3] for e in data]
label = [e[-1] for e in data]
return ds, label

Sigmoid函数

def sigmoid(x):
return 1.0/(1+exp(-x))

梯度下降算法
input ds: 坐标数据; label: 标签
return w: 系数向量, nx1的矩阵

def reduce(ds, label):
#转换成矩阵
dmat = mat(ds)
lmat = mat(label).T
#mxn的矩阵的行数和列数
m,n = shape(dmat)
#步长
alpha = 0.1
#循环次数
loops = 200
#初始化w为[1,1,1],即分割线为 1+x+y=0
w = ones((n,1))
for i in range(loops):
h = sigmoid(dmat*w)
err = (h - lmat)
w = w - alpha * dmat.T* err
return w.A[:,0]

测试

def test():
ds,l = loadData()
print reduce(ds,l)

运行结果

>>> import lr
>>> lr.test()
[ 3.1007773  -5.54393712  1.60563033]

也就是说w=(3.1, -5.5, 1.6), 即w0=3.1, w1=-5.5, w2 = 1.6

分割线的表达式为：w0+w1x+w2y=0， 代入w后得 3.1-5.5x+1.6y=0, 即y=3.44x-1.9 。 见下图，该直线正确地将图形划分开。

执行过程

w的初始值为(1,1,1),也就是0号线。
每次循环都会调整分割线的位置，执行到第200次的时候，分割线已经能够很好对坐标分组了。
<分割线调整图> 线编号n表示第n次调整(循环)之后的位置

应用

把上面的x,y转换成用户特征，比如登录时间，登录频率等等。把三角形和圆形转换成付费用户和免费用户，就得到了付费用户预测模型；把三角形和圆形转换成流失用户和有效用户，就得到了流失用户预测模型。
当然，这只是个理论模型，实际应用要比这复杂的多的多。

相关文章

推荐引擎算法 - 猜你喜欢的东西

TensorFlow学习笔记 －－ 安装

TensorFlow学习笔记 －－识别圆圈内的点