机器学习学习笔记——logistic回归（数学推导及python实现）
2018-04-04 19:23
447 查看
版权声明：本文系博主原创，转载请注明出处。谢谢合作！ https://blog.csdn.net/monteCarloStyle/article/details/79821347
Logistic回归是一种二分类算法。我们设定输出标记：一类为0，一类为1。则输出标签y可以表示为：
其样本x的属性数据可以表示为下图。其中i表示第i个样本，i <= m，上标d表示为每个样本有d个属性。这里x表示成行向量。
普通的线性回归得到的是数值。它是用求出一个由d个权值组成的列向量w，使得 x * w + b尽可能得靠近真实值，b是偏移量，是个未知常数。为了方便表示，我们扩展x和w。
这样在以后的表示中可以省去b。
算法的目的是利用一组样本（包含属性标记x和标签标记y），训练合适的w，使这个w可以用来预测新样本（只包含属性标记x）的类别。
前面说道普通的线性回归得到的是一个值，我们需要一个函数将x * w得到值进一步处理，将样本分为两类（0和1）。
simoid函数
sigmoid函数是个阶跃函数，恰好可以将 x * w的值压缩到0和1之间，在输入值0附近变化很陡，满足了分类的需求。它还有一个优良的性质：连续且可导，且求导简单（求导的方便意味着好训练）。如图
函数式为
sigmoid函数的值域为（0，1），输出值可以当作其样本x属于正例的概率，1-输出值 表示样本x属于反例的概率。对上述函数式进行变形得对数几率：
其中
为几率，含义为某样本作为正例相对于反例的可能性。
对数几率可以重写为
且
(这里需要耐心想一想)注意y的取值只为0和1，则样本能被正确分类的概率p：
极大似然估计
使用极大似然估计估计w的每个值，使得样本被正确分类的概率p最大。构造极大似然函数
将p0和p1带入，对右式变形：
由于y只能取0和1，所以：
最大化f(w)等于最小化l(w)
现在，我们的任务是，求得w列向量中的每个元素，使l(w)最小。
梯度下降法
梯度下降法是一种最常用的最优化算法。它的做法是：分别求l(w)对w1, w2, w3...wd, b的偏导。再把偏导乘以学习率的结果加到对应的原有w参数上。
l(w)对w1偏导的矩阵表达：
则：
上式的左边就是梯度向量，将它乘以步长(学习率)alpha就等于我们要对w向量调整的数值（下面公式输错了，加号应该改成减号）。
动量梯度下降
保存上一次的梯度向量为preV，本次梯度向量为curV。权值为b。普通梯度下降每次迭代调整量为alpha * curV，动量梯度下降每次调整量为alpha*[b*curV + (1-b)*preV]
牛顿法
因为我们要优化的函数是连续可导的凸函数，可以使用二阶导数使梯度下降的方向更准确。牛顿法在其他博客里再做记录。
Python代码（注意缩进）
说明：代码大量参考了《机器学习实战》(皮特著)logistic回归章节。更改了梯度下降函数（前缀为gradAscent的函数都是梯度下降函数。我弄了这么多是因为，我用来测试梯度下降函数的效果....懒得改句子或者注释..)
from numpy import *
import operator
def loadDataSet():
dataMat = []
labelMat = []
fr = open('testSet.txt')for line in fr.readlines():
lineArr = line.strip().split()
dataMat.append([1.0, float(lineArr[0]), float(lineArr[1])])
labelMat.append(int(lineArr[2]))
return dataMat, labelMat
def sigmoid(inX):
return 1.0 / (1 + exp(-inX))
def gradAscent(dataMatIn, classLabels):
dataMatrix = mat(dataMatIn)
epsilon = 0.0001
labelMat = mat(classLabels).transpose()
m, n = shape(dataMatrix)
alpha = 0.0001
maxCycles = 20000
weights = ones((n, 1))
for k in range(maxCycles):
h = sigmoid(dataMatrix * weights)
error = (labelMat - h)
weights = weights + alpha * dataMatrix.transpose() * error
return weights, maxCycles
def gradAscent0(dataMatIn, classLabels):
dataMatrix = mat(dataMatIn)
labelMat = mat(classLabels).transpose()
epsilon = 0.000001
m, n = shape(dataMatrix)
alpha = 0.001
weights = ones((n, 1))
cnt = 0
error1 = 0
diffLast = 0.0
diff = 0.0
while 1:
cnt += 1
h = sigmoid(dataMatrix * weights)
diffMat = (labelMat - h)
weights = weights + alpha * dataMatrix.transpose() * diffMat
sqDiff = diffMat.transpose() * diffMat
diff = sqDiff[0,0] / (2*n)
if abs(diff - diffLast) > epsilon:
diffLast = diff
else:
return weights, cnt
def gradAscent1(dataMatIn, classLabels):
dataMatrix = mat(dataMatIn)
labelMat = mat(classLabels).transpose()
epsilon = 0.000000001
m, n = shape(dataMatrix)
alpha = 0.0001
weights = ones((n, 1))
cnt = 0
diffLast = 0.0
reviseMat = ones((len(dataMatIn),1))
diff = 0.0
while 1:
cnt += 1
h = sigmoid(dataMatrix * weights)
reviseMatTran = (h - labelMat).transpose() * dataMatrix
reviseMat = reviseMatTran.transpose()
weights = weights - alpha * reviseMat
diffMat = (h - labelMat)
sqDiff = diffMat.transpose() * diffMat
diff = sqDiff[0,0] / (2*n)
if (cnt % 1000) == 0 :
print ("cycles + 1000, %d cycles" %cnt)if abs(diff - diffLast) > epsilon:
diffLast = diff
else:
return weights, cnt
def gradAscent2(dataMatIn, classLabels):
dataMatrix = mat(dataMatIn)
labelMat = mat(classLabels).transpose()
epsilon = 0.000000001
m, n = shape(dataMatrix)
alpha = 0.0001
weights = ones((n, 1))
cnt = 0
diffLast = 0.0
preV = ones((n, 1))
diff = 0.0
b = 0.9
while 1:
cnt += 1
h = sigmoid(dataMatrix * weights)
reviseMatTran = (h - labelMat).transpose() * dataMatrix
reviseMat = reviseMatTran.transpose()
weights = weights - alpha * (b * reviseMat + (1 - b) * preV)
preV = reviseMat
diffMat = (h - labelMat)
sqDiff = diffMat.transpose() * diffMat
diff = sqDiff[0,0] / (2*n)
if (cnt % 1000) == 0 :
print ("cycles + 1000, the current cycle is %d" %cnt)if abs(diff - diffLast) > epsilon:
diffLast = diff
else:
return weights, cnt
def classifierTest():
dataMat, labelMat = loadDataSet()
numOfSamp = len(labelMat)
dataMatrix = mat(dataMat)
labelMatrix = mat(labelMat).transpose()
weights, cnt = gradAscent2(dataMat, labelMat)
resultMat = sigmoid(dataMatrix * weights)
error = 0
for i in range(numOfSamp):
resulClass = 1 if resultMat[i, 0] > 0.5 else 0
#print 'the classifier came back with%d, the real answer is: %d' % (
# resulClass, labelMatrix[i, 0])
if resulClass != labelMatrix[i, 0]:
error += 1
print '\nthe total number of error is %d,\nthe total error rate is %.2f%%, ' % (error,
float(error)*100 / numOfSamp)
print 'cycles: %d' % cnt
print weights
def plotBestFit(weights):
import matplotlib.pyplot as plt
dataMat, labelMat = loadDataSet()
dataArr = array(dataMat)
n = shape(dataArr)[0]
xcord1 = []
ycord1 = []
xcord2 = []
ycord2 = []
for i in range(n):
if int(labelMat[i]) == i:
xcord1.append(dataArr[i, 1])
ycord1.append(dataArr[i, 2])
else:
xcord2.append(dataArr[i, 1])
ycord2.append(dataArr[i, 2])
fig = plt.figure()
ax = fig.add_subplot(111)
ax.scatter(xcord1, ycord1, s = 30, c = 'red', marker = 's')
ax.scatter(xcord2, ycord2, s = 30, c = 'green')
x = mat(arange(-3.0, 3.0, 0.1))
y = ((-weights[0] - weights[1] * x) / weights[2])
ax.plot(x, y)
plt.xlabel('X1')plt.ylabel('X2')plt.show()
训练数据
-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
内容来自用户分享和网络整理，不保证内容的准确性，如有侵权内容，可联系管理员处理 
相关文章推荐
- 机器学习入门学习笔记：（2.2）线性回归python程序实现
- 机器学习经典 PRML 最新 Python 代码实现，附最全 PRML 笔记视频学习资料
- 机器学习入门学习笔记：（一）BP神经网络原理推导及程序实现
- 机器学习实战笔记（六）：Logistic回归（Python3 实现）
- 机器学习---Logistic回归数学推导以及python实现
- 一个无聊男人的疯狂《数据结构与算法分析-C++描述》学习笔记 用C++/lua/python/bash的四重实现（5）欧几里得算法欧几里得算法求最大公约数
- 《 Head First 》学习笔记：装饰者模式 （python实现）
- python数据结构学习笔记-2016-10-27-02-使用单链表实现包ADT
- Andrew NG 机器学习听课笔记（2）——过学习与欠学习，最小二乘的概率意义、logistic回归
- Python2学习笔记之实现ping和which源码
- python学习笔记之：用urlllib库实现后台管理员登陆页面扫描
- 机器学习实战笔记(Python实现)-08-线性回归
- 《 Head First 》学习笔记：观察者模式 （python实现）
- Python学习笔记：Trie Tree的实现
- Objective-C学习笔记（四）——OC实现最简单的数学运算
- 机器学习实战笔记(四)：Logist线性回归算法的Python实现
- python数据结构学习笔记-2016-10-24-02-使用排序列表实现集合ADT
- Scrap学习笔记 --- python实现抓取整个网页
- python机器学习及实践学习笔记2-编码问题
- python学习笔记 1 数学运算