机器学习5- 对数几率回归+Python实现
2020-04-26 10:46
423 查看
[toc]
## 1. 对数几率回归
考虑二分类任务,其输出标记 $y \in \{0, 1\}$,记线性回归模型产生的预测值 $z=\boldsymbol{w}^T\boldsymbol{x} + b$ 是实值,于是我们需要一个将实值 $z$ 转换为 $0/1$ 的 $g^{-}(\cdot)$。
最理想的单位阶跃函数(*unit-step function*)
$$
y = \begin{cases}
0, & z < 0 \\
0.5, & z = 0 \\
1, & z > 0 \\
\end{cases}
\tag{1.1}
$$
并不是连续函数,因此不能作为 $g^-(\cdot)$ 。于是我们选用**对数几率函数**(*logistics function*)作为单位阶跃函数的替代函数(*surrogate function*):
$$
y = \frac{1}{1+e^{-z}} \tag{1.2}
$$
如下图所示:
![](https://img2020.cnblogs.com/blog/1365872/202004/1365872-20200426103316079-1944878744.png)
对数几率函数是 Sigmoid 函数(即形似 S 的函数)的一种。
将对数几率函数作为 $g^-(\cdot)$ 得到
$$
y = \frac{1}{1+e^{-(\boldsymbol{w}^T\boldsymbol{x} + b)}} \tag{1.3}
$$
$$
\ln \frac{y}{1-y} = \boldsymbol{w}^T\boldsymbol{x} + b \tag{1.4}
$$
若将 $y$ 视为样本 $\boldsymbol{x}$ 为正例的可能性,则 $1-y$ 是其为反例的可能性,两者的比值为
$$
\frac{y}{1-y} \tag{1.5}
$$
称为**几率**(*odds*),反映了 $\boldsymbol{x}$ 作为正例的相对可能性。对几率取对数得到**对数几率**(*log odds*,或 *logit*):
$$
\ln \frac{y}{1-y} \tag{1.6}
$$
所以,式 (1.3) 实际上是用线性回归模型的预测结果取逼近真实标记的对数几率,因此其对应的模型又称为**对数几率回归**(*logistic regression*, 或 *logit regression*)。
这种分类学习方法直接对分类可能性进行建模,无需事先假设数据分布,避免了假设分布不准确带来的问题;
它能得到近似概率预测,这对需要利用概率辅助决策的任务很有用;
对率函数是任意阶可导的凸函数,有很好的数学性质,许多数值优化算法都可直接用于求解最优解。
### 1.1 求解 ω 和 b
将式 (1.3) 中的 $y$ 视为类后验概率估计 $p(y = 1 | \boldsymbol{x})$,则式 (1.4) 可重写为
$$
\ln \frac{p(y=1 | \boldsymbol{x})}{p(y=0 | \boldsymbol{x})} = \boldsymbol{w}^T\boldsymbol{x} + b \tag{1.7}
$$
有
$$
p(y=1|\boldsymbol{x}) = \frac{e^{\boldsymbol{w}^T\boldsymbol{x} + b}}{1+e^{\boldsymbol{w}^T\boldsymbol{x} + b}} \tag{1.8}
$$
$$
p(y=0|\boldsymbol{x}) = \frac{1}{1+e^{\boldsymbol{w}^T\boldsymbol{x} + b}} \tag{1.9}
$$
通过**极大似然法**(*maximum likelihood method*)来估计 $\boldsymbol{w}$ 和 $b$ 。
给定数据集 $\{(\boldsymbol{x}_i, y_i)\}^m_{i=1}$,对率回归模型最大化**对数似然**(*log-likelihood*):
$$
\ell(\boldsymbol{w},b)=\sum\limits_{i=1}^m \ln p(y_i|\boldsymbol{x}_i;\boldsymbol{w},b) \tag{1.10}
$$
即令每个样本属于其真实标记的概率越大越好。
令 $\boldsymbol{\beta} = (\boldsymbol{w};b)$,$\hat{\boldsymbol{x}} = (\boldsymbol{x};1)$,则 $\boldsymbol{w}^T\boldsymbol{x} + b$ 可简写为 $\boldsymbol{\beta}^T\hat{\boldsymbol{x}}$。再令 $p_1(\hat{\boldsymbol{x}};\boldsymbol{\beta}) = p(y=1|\hat{\boldsymbol{x}};\boldsymbol{\beta})$,$p_0(\hat{\boldsymbol{x}};\boldsymbol{\beta}) = p(y=0|\hat{\boldsymbol{x}};\boldsymbol{\beta}) = 1-p_1(\hat{\boldsymbol{x}};\boldsymbol{\beta})$ 。则式 (1.10) 可简写为:
$$
p(y_i|\boldsymbol{x}_i;\boldsymbol{w},b) = y_ip_1(\hat{\boldsymbol{x}};\boldsymbol{\beta}) +(1-y_i)p_0(\hat{\boldsymbol{x}};\boldsymbol{\beta}) \tag{1.11}
$$
将式 (1.11) 带入 (1.10),并根据式 (1.8) 和 (1.9) 可知,最大化式 (1.10) 等价于最小化
$$
\ell(\boldsymbol{\beta}) = \sum\limits_{i=1}^m\Big(-y_i\boldsymbol{\beta}^T\hat{\boldsymbol{x}}_i+\ln\big(1+e^{\boldsymbol{\beta}^T+\hat{\boldsymbol{x}}_i}\big)\Big) \tag{1.12}
$$
式 (1.12) 是关于 $\boldsymbol{\beta}$ 的高阶可导凸函数,根据凸优化理论,经典的数值优化算法如梯度下降法(*gradient descent method*)、牛顿法(*Newton method*)等都可求得其最优解,于是得到:
$$
\boldsymbol{\beta}^{*} = \underset{\boldsymbol{\beta}}{\text{arg min }}\ell(\boldsymbol{\beta}) \tag{1.13}
$$
以牛顿法为例, 其第 $t+1$ 轮迭代解的更新公式为:
$$
\boldsymbol{\beta}^{t+1} = \boldsymbol{\beta}^t-\Big(\frac{\partial^2\ell(\boldsymbol{\beta})}{\partial\boldsymbol{\beta}\ \partial\boldsymbol{\beta}^T}\Big)^{-1}\frac{\partial\ell(\boldsymbol{\beta})}{\partial{\boldsymbol{\beta}}} \tag{1.14}
$$
其中关于 $\boldsymbol{\beta}$ 的一阶、二阶导数分别为:
$$
\frac{\partial\ell(\boldsymbol{\beta})}{\partial\boldsymbol{\beta}} = -\sum\limits_{i=1}^m\hat{\boldsymbol{x}}_i(y_i-p_1(\hat{\boldsymbol{x}}_i;\boldsymbol{\beta})) \tag{1.15}
$$
$$
\frac{\partial^2{\ell(\boldsymbol{\beta})}}{\partial\boldsymbol{\beta}\partial\boldsymbol{\beta}^T} = \sum\limits_{i=1}^m\hat{\boldsymbol{x}}_i\hat{\boldsymbol{x}}_i^Tp_1(\hat{\boldsymbol{x}}_i;\boldsymbol{\beta})(1-p_1(\hat{\boldsymbol{x}}_i;\boldsymbol{\beta})) \tag{1.16}
$$
## 2. 对数几率回归进行垃圾邮件分类
### 2.1 垃圾邮件分类
```python
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model.logistic import LogisticRegression
from sklearn.model_selection import train_test_split, cross_val_score
from sklearn.feature_extraction.text import TfidfVectorizer
from matplotlib.font_manager import FontProperties
```
```python
df = pd.read_csv("SMSSpamCollection", delimiter='\t', header=None)
df.head()
```
![](https://img2020.cnblogs.com/blog/1365872/202004/1365872-20200426103634242-1609198747.png)
```python
print("spam 数量: ", df[df[0] == 'spam'][0].count())
print("ham 数量: ", df[df[0] == 'ham'][0].count())
```
spam 数量: 747
ham 数量: 4825
```python
X_train_raw, X_test_raw, y_train, y_test = train_test_split(df[1], df[0])
```
```python
# 计算TF-IDF权重
vectorizer = TfidfVectorizer()
X_train = vectorizer.fit_transform(X_train_raw)
X_test = vectorizer.transform(X_test_raw)
```
```python
# 建立模型
classifier = LogisticRegression()
classifier.fit(X_train, y_train)
y_preds = classifier.predict(X_test)
```
```python
for i, y_pred in enumerate(y_preds[-10:]):
print("预测类型: %s -- 信息: %s" % (y_pred, X_test_raw.iloc[i]))
```
预测类型: ham -- 信息: Aight no rush, I'll ask jay
预测类型: ham -- 信息: Sos! Any amount i can get pls.
预测类型: ham -- 信息: You unbelievable faglord
预测类型: ham -- 信息: Carlos'll be here in a minute if you still need to buy
预测类型: spam -- 信息: Meet after lunch la...
预测类型: ham -- 信息: Hey tmr maybe can meet you at yck
预测类型: ham -- 信息: I'm on da bus going home...
预测类型: ham -- 信息: O was not into fps then.
预测类型: ham -- 信息: Yes..he is really great..bhaji told kallis best cricketer after sachin in world:).very tough to get out.
预测类型: ham -- 信息: Did you show him and wot did he say or could u not c him 4 dust?
### 2.2 模型评估
#### 混淆举证
```python
test = y_test
test[test == "ham"] = 0
test[test == "spam"] = 1
pred = y_preds
pred[pred == "ham"] = 0
pred[pred == "spam"] = 1
```
```python
from sklearn.metrics import confusion_matrix
test = test.astype('int')
pred = pred.astype('int')
confusion_matrix = confusion_matrix(test.values, pred)
print(confusion_matrix)
plt.matshow(confusion_matrix)
font = FontProperties(fname=r"/usr/share/fonts/opentype/noto/NotoSansCJK-Regular.ttc")
plt.title(' 混淆矩阵',fontproperties=font)
plt.colorbar()
plt.ylabel(' 实际类型',fontproperties=font)
plt.xlabel(' 预测类型',fontproperties=font)
plt.show()
```
[[1191 1]
[ 50 151]]
![](https://img2020.cnblogs.com/blog/1365872/202004/1365872-20200426103908303-2066884214.png)
#### 精度
```python
from sklearn.metrics import accuracy_score
print(accuracy_score(test.values, pred))
```
0.9633883704235463
#### 交叉验证精度
```python
df = pd.read_csv("sms.csv")
df.head()
```
![](https://img2020.cnblogs.com/blog/1365872/202004/1365872-20200426104011966-182564966.png)
```python
X_train_raw, X_test_raw, y_train, y_test = train_test_split(df['message'], df['label'])
vectorizer = TfidfVectorizer()
X_train = vectorizer.fit_transform(X_train_raw)
X_test = vectorizer.transform(X_test_raw)
classifier = LogisticRegression()
classifier.fit(X_train, y_train)
scores = cross_val_score(classifier, X_train, y_train, cv=5)
print(' 精度:',np.mean(scores), scores)
```
精度: 0.9562200956937799 [0.94736842 0.95933014 0.95574163 0.95574163 0.96291866]
#### 准确率召回率
```python
precisions = cross_val_score(classifier, X_train, y_train, cv=5, scoring='precision')
print('准确率:', np.mean(precisions), precisions)
recalls = cross_val_score(classifier, X_train, y_train, cv=5, scoring='recall')
print('召回率:', np.mean(recalls), recalls)
```
准确率: 0.9920944081237428 [0.98550725 1. 1. 0.98701299 0.98795181]
召回率: 0.6778796653796653 [0.61261261 0.69642857 0.66964286 0.67857143 0.73214286]
#### F1 度量
```python
f1s = cross_val_score(classifier, X_train, y_train, cv=5, scoring='f1')
print(' 综合评价指标:', np.mean(f1s), f1s)
```
综合评价指标: 0.8048011339652206 [0.75555556 0.82105263 0.80213904 0.8042328 0.84102564]
#### ROC AUC
```python
from sklearn.metrics import roc_curve, auc
predictions = classifier.predict_proba(X_test)
false_positive_rate, recall, thresholds = roc_curve(y_test, predictions[:, 1])
roc_auc = auc(false_positive_rate, recall)
plt.title('Receiver Operating Characteristic')
plt.plot(false_positive_rate, recall, 'b', label='AUC = %0.2f' % roc_auc)
plt.legend(loc='lower right')
plt.plot([0, 1], [0, 1], 'r--')
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.0])
plt.ylabel('Recall')
plt.xlabel('Fall-out')
plt.show()
```
![](https://img2020.cnblogs.com/blog/1365872/202004/1365872-20200426104102406-285823803.png)
相关文章推荐
- 小白学习机器学习---第三章(2):对数几率回归python实现
- 对数几率回归详细推导及python实现
- 基于sklearn的线性分类器logistics(对数几率回归)Python实现
- 用对数几率回归实现周志华《机器学习》习题3.3西瓜分类,python编程
- 吴恩达机器学习第二次作业(python实现):逻辑回归
- 机器学习---Logistic回归数学推导以及python实现
- 机器学习实战笔记(Python实现)-09-树回归
- 机器学习之逻辑回归 Logistic Regression(二)Python实现
- 机器学习总结-LR(对数几率回归)
- 吴恩达机器学习 线性回归 作业(房价预测) Python实现 代码详细解释
- 机器学习经典算法详解及Python实现--CART分类决策树、回归树和模型树
- 机器学习|回归问题与python实现
- 机器学习:逻辑回归与Python代码实现
- python实现机器学习之多元线性回归
- 吴恩达机器学习 逻辑回归 作业3(手写数字分类) Python实现 代码详细解释
- 机器学习经典算法详解及Python实现--CART分类决策树、回归树和模型树
- 吴恩达机器学习线性回归练习题:多变量线性回归(python实现)
- 西瓜书 习题3.3 编程实现对数几率回归,梯度下降法
- 机器学习入门学习笔记:(2.2)线性回归python程序实现
- 机器学习笔记(七)线性回归与对数几率回归