逻辑回归python实现(随机增量梯度下降,变步长)
2017-04-25 10:26
816 查看
关于逻辑回归的学习,建议大家看看这篇blog,讲的很清楚:点击打开链接
代码实现是根据机器学习实战,照着代码自己来了一遍
逻辑回归,实际上就是对线性回归多增加了一个函数映射,使其值域由无穷区间映射到[0,1]区间
在线性回归中,估计函数为
其中delta是参数向量,x是输入样本的特征向量
而在逻辑回归中,估计函数实际上就是在线性回归的基础上,嵌套了一个sigmoid函数。
逻辑回归的估计函数为
其中,e的指数部分就是线性回归的输出,而可以看出,逻辑回归函数的值域是(0,1),并且图像过(0,1/2)这个点,图像在x=0处很陡峭。
也就是说,在逻辑回归中,我们能将h=0.5作为一个阀值,当估计值大于0.5时把样本分为1类,估计值小于0.5时把样本分为0类。那么只要我们得到了这个估计函数,就能够实现0-1分类了。
估计函数的求解,实际上就是对delta参数向量进行求解。在这里我使用的时梯度下降法,也就是先求出极大似然估计,然后求出极大似然估计的梯度,然后进行多次迭代,每次迭代将参数向量沿着梯度下降最陡峭的方向增加一个步长alpha。alpha如果过小,迭代的速度会很慢,但是如果alpha过大,容易使步子迈得太大,使得我们总是在结果附件徘徊。这里我使用的是变步长法,也就是一开始让步长尽量大,在迭代的过程中,慢慢缩小步长。
另外,我使用的是随机增量梯度下降法。所谓增量,就是指每一次迭代我只考虑一组样本来进行参数更新,而不是遍历所有样本。这样能够降低算法的时间复杂度,而且精确度也还不错。所谓随机,就是指每次迭代选取样本不是按照固定的顺序,而是随机抽取样本进行参数更新,这样做是为了防止迭代到后期,让参数陷入一个循环节,具体的情况可参照本文开头链接的那篇blog:
接下来附上我的python实现,使用了numpy库和matplotlib库
logRegression.py
# coding=UTF-8
import numpy as ny
import matplotlib.pyplot as plt
import time
import math
def sigmoid(x): #sigmoid函数
return 1.0/(1+math.exp(-x))
def loadData(): #读取数据
train_x = []
train_y = []
fileIn = open('testSet.txt')
for line in fileIn.readlines():
lineArr = line.strip().split()
train_x.append([1.0, float(lineArr[0]), float(lineArr[1])]) #1.0代表x的0次项
train_y.append(float(lineArr[2]))
return ny.mat(train_x), ny.mat(train_y).transpose()
def logRegression(train_x,train_y):
iteration_time = 600 #最大迭代次数
delta=ny.zeros((3,1)) #初始化参数为0向量
numSamples,numFeatures=ny.shape(train_x) #获取训练样本的规模
alpha=0.01 #迭代步长
for k in range(iteration_time):
alpha = 4.0 / (1.0 + k) + 0.01
i=ny.random.randint(0, numSamples)
h=sigmoid(train_x[i,:]*delta)
error=train_y[i,0]-h
delta+=alpha*train_x[i,:].transpose()*error
return delta
def calAccuracyRate(train_x,train_y,delta):
count=0 #记录划分正确的样本数
numSamples,numFeatures=ny.shape(train_x) #获取训练样本的规模
for i in range(numSamples):
h=sigmoid(train_x[i,:]*delta)
if h>=0.5 and int(train_y[i,0])==1 :
count=count+1
elif h<0.5 and train_y[i,0]==0 :
count=count+1
return count
def showGraph(train_x,train_y,delta):
numSamples,numFeatures=ny.shape(train_x) #获取训练样本的规模
# 画出样本点
plt.figure(figsize=(12,8)) #设置绘制尺寸
for i in range(numSamples):
if int(train_y[i, 0]) == 0:
plt.plot(train_x[i, 1], train_x[i, 2], 'or')
elif int(train_y[i, 0]) == 1:
plt.plot(train_x[i, 1], train_x[i, 2], 'ob')
# 绘制分割线
min_x = min(train_x[:, 1])[0,0]-1
max_x = max(train_x[:, 1])[0,0]+1
y_min_x = float(-delta[0,0] - delta[1,0] * min_x) / delta[2,0]
y_max_x = float(-delta[0,0] - delta[1,0] * max_x) / delta[2,0]
plt.plot([min_x, max_x], [y_min_x, y_max_x], 'y')
plt.xlabel('X1'); plt.ylabel('X2')
plt.show()
def testingLogR():
train_x,train_y=loadData()
maxx=0.0
numBegin=20 #起点数量
for i in range(numBegin):
delta=logRegression(train_x,train_y)
cur=calAccuracyRate(train_x,train_y,delta)
if cur>maxx:
maxx=cur
ans=delta
numSamples,numFeatures=ny.shape(train_x)
print("样本准确率为:",maxx*100/numSamples,"%")
showGraph(train_x,train_y,ans)
testingLogR()
testSet.txt //训练样本
运行后的结果如下图:
代码实现是根据机器学习实战,照着代码自己来了一遍
逻辑回归,实际上就是对线性回归多增加了一个函数映射,使其值域由无穷区间映射到[0,1]区间
在线性回归中,估计函数为
其中delta是参数向量,x是输入样本的特征向量
而在逻辑回归中,估计函数实际上就是在线性回归的基础上,嵌套了一个sigmoid函数。
逻辑回归的估计函数为
其中,e的指数部分就是线性回归的输出,而可以看出,逻辑回归函数的值域是(0,1),并且图像过(0,1/2)这个点,图像在x=0处很陡峭。
也就是说,在逻辑回归中,我们能将h=0.5作为一个阀值,当估计值大于0.5时把样本分为1类,估计值小于0.5时把样本分为0类。那么只要我们得到了这个估计函数,就能够实现0-1分类了。
估计函数的求解,实际上就是对delta参数向量进行求解。在这里我使用的时梯度下降法,也就是先求出极大似然估计,然后求出极大似然估计的梯度,然后进行多次迭代,每次迭代将参数向量沿着梯度下降最陡峭的方向增加一个步长alpha。alpha如果过小,迭代的速度会很慢,但是如果alpha过大,容易使步子迈得太大,使得我们总是在结果附件徘徊。这里我使用的是变步长法,也就是一开始让步长尽量大,在迭代的过程中,慢慢缩小步长。
另外,我使用的是随机增量梯度下降法。所谓增量,就是指每一次迭代我只考虑一组样本来进行参数更新,而不是遍历所有样本。这样能够降低算法的时间复杂度,而且精确度也还不错。所谓随机,就是指每次迭代选取样本不是按照固定的顺序,而是随机抽取样本进行参数更新,这样做是为了防止迭代到后期,让参数陷入一个循环节,具体的情况可参照本文开头链接的那篇blog:
接下来附上我的python实现,使用了numpy库和matplotlib库
logRegression.py
# coding=UTF-8
import numpy as ny
import matplotlib.pyplot as plt
import time
import math
def sigmoid(x): #sigmoid函数
return 1.0/(1+math.exp(-x))
def loadData(): #读取数据
train_x = []
train_y = []
fileIn = open('testSet.txt')
for line in fileIn.readlines():
lineArr = line.strip().split()
train_x.append([1.0, float(lineArr[0]), float(lineArr[1])]) #1.0代表x的0次项
train_y.append(float(lineArr[2]))
return ny.mat(train_x), ny.mat(train_y).transpose()
def logRegression(train_x,train_y):
iteration_time = 600 #最大迭代次数
delta=ny.zeros((3,1)) #初始化参数为0向量
numSamples,numFeatures=ny.shape(train_x) #获取训练样本的规模
alpha=0.01 #迭代步长
for k in range(iteration_time):
alpha = 4.0 / (1.0 + k) + 0.01
i=ny.random.randint(0, numSamples)
h=sigmoid(train_x[i,:]*delta)
error=train_y[i,0]-h
delta+=alpha*train_x[i,:].transpose()*error
return delta
def calAccuracyRate(train_x,train_y,delta):
count=0 #记录划分正确的样本数
numSamples,numFeatures=ny.shape(train_x) #获取训练样本的规模
for i in range(numSamples):
h=sigmoid(train_x[i,:]*delta)
if h>=0.5 and int(train_y[i,0])==1 :
count=count+1
elif h<0.5 and train_y[i,0]==0 :
count=count+1
return count
def showGraph(train_x,train_y,delta):
numSamples,numFeatures=ny.shape(train_x) #获取训练样本的规模
# 画出样本点
plt.figure(figsize=(12,8)) #设置绘制尺寸
for i in range(numSamples):
if int(train_y[i, 0]) == 0:
plt.plot(train_x[i, 1], train_x[i, 2], 'or')
elif int(train_y[i, 0]) == 1:
plt.plot(train_x[i, 1], train_x[i, 2], 'ob')
# 绘制分割线
min_x = min(train_x[:, 1])[0,0]-1
max_x = max(train_x[:, 1])[0,0]+1
y_min_x = float(-delta[0,0] - delta[1,0] * min_x) / delta[2,0]
y_max_x = float(-delta[0,0] - delta[1,0] * max_x) / delta[2,0]
plt.plot([min_x, max_x], [y_min_x, y_max_x], 'y')
plt.xlabel('X1'); plt.ylabel('X2')
plt.show()
def testingLogR():
train_x,train_y=loadData()
maxx=0.0
numBegin=20 #起点数量
for i in range(numBegin):
delta=logRegression(train_x,train_y)
cur=calAccuracyRate(train_x,train_y,delta)
if cur>maxx:
maxx=cur
ans=delta
numSamples,numFeatures=ny.shape(train_x)
print("样本准确率为:",maxx*100/numSamples,"%")
showGraph(train_x,train_y,ans)
testingLogR()
testSet.txt //训练样本
-0.017612 14.053064 0 -1.395634 4.662541 1 -0.752157 6.538620 0 -1.322371 7.152853 0 0.423363 11.054677 0 0.406704 7.067335 1 0.667394 12.741452 0 -2.460150 6.866805 1 0.569411 9.548755 0 -0.026632 10.427743 0 0.850433 6.920334 1 1.347183 13.175500 0 1.176813 3.167020 1 -1.781871 9.097953 0 -0.566606 5.749003 1 0.931635 1.589505 1 -0.024205 6.151823 1 -0.036453 2.690988 1 -0.196949 0.444165 1 1.014459 5.754399 1 1.985298 3.230619 1 -1.693453 -0.557540 1 -0.576525 11.778922 0 -0.346811 -1.678730 1 -2.124484 2.672471 1 1.217916 9.597015 0 -0.733928 9.098687 0 -3.642001 -1.618087 1 0.315985 3.523953 1 1.416614 9.619232 0 -0.386323 3.989286 1 0.556921 8.294984 1 1.224863 11.587360 0 -1.347803 -2.406051 1 1.196604 4.951851 1 0.275221 9.543647 0 0.470575 9.332488 0 -1.889567 9.542662 0 -1.527893 12.150579 0 -1.185247 11.309318 0 -0.445678 3.297303 1 1.042222 6.105155 1 -0.618787 10.320986 0 1.152083 0.548467 1 0.828534 2.676045 1 -1.237728 10.549033 0 -0.683565 -2.166125 1 0.229456 5.921938 1 -0.959885 11.555336 0 0.492911 10.993324 0 0.184992 8.721488 0 -0.355715 10.325976 0 -0.397822 8.058397 0 0.824839 13.730343 0 1.507278 5.027866 1 0.099671 6.835839 1 -0.344008 10.717485 0 1.785928 7.718645 1 -0.918801 11.560217 0 -0.364009 4.747300 1 -0.841722 4.119083 1 0.490426 1.960539 1 -0.007194 9.075792 0 0.356107 12.447863 0 0.342578 12.281162 0 -0.810823 -1.466018 1 2.530777 6.476801 1 1.296683 11.607559 0 0.475487 12.040035 0 -0.783277 11.009725 0 0.074798 11.023650 0 -1.337472 0.468339 1 -0.102781 13.763651 0 -0.147324 2.874846 1 0.518389 9.887035 0 1.015399 7.571882 0 -1.658086 -0.027255 1 1.319944 2.171228 1 2.056216 5.019981 1 -0.851633 4.375691 1 -1.510047 6.061992 0 -1.076637 -3.181888 1 1.821096 10.283990 0 3.010150 8.401766 1 -1.099458 1.688274 1 -0.834872 -1.733869 1 -0.846637 3.849075 1 1.400102 12.628781 0 1.752842 5.468166 1 0.078557 0.059736 1 0.089392 -0.715300 1 1.825662 12.693808 0 0.197445 9.744638 0 0.126117 0.922311 1 -0.679797 1.220530 1 0.677983 2.556666 1 0.761349 10.693862 0 -2.168791 0.143632 1 1.388610 9.341997 0 0.317029 14.739025 0
运行后的结果如下图:
相关文章推荐
- 逻辑回归-梯度下降法 python实现
- [机器学习]逻辑回归公式推导及其梯度下降法的Python实现
- 梯度下降法 线性回归 多项式回归 python实现
- 梯度下降求解逻辑回归(Python)
- 梯度下降原理及在线性回归、逻辑回归中的应用
- 转载:逻辑回归的python实现
- 机器学习:逻辑回归python实现
- 梯度下降法及其Python实现
- 逻辑回归梯度下降法详解
- 梯度下降法解逻辑斯蒂回归
- Python实现LR(逻辑回归)
- 梯度下降法求解线性回归之python实现
- 梯度下降实现案例(含python代码)
- 梯度下降与逻辑回归
- 逻辑斯谛回归(代价函数,梯度下降) logistic regression--cost function and gradient descent
- 【机器学习算法-python实现】逻辑回归的实现(LogicalRegression)
- 逻辑回归与梯度下降法
- 逻辑回归梯度下降公式详细推导
- 逻辑回归、线性回归、最小二乘、极大似然、梯度下降
- 回归问题总结(梯度下降、线性回归、逻辑回归、源码、正则化)