一:線性迴歸
線性迴歸假設特徵和結果滿足線性關係。線性迴歸,就是線性擬合,擬合就是找到那條線,對殘差平方和最小的那條直線。
比如說:我們要模擬房子的大小(
如果我們把
對於
對於使用,殘差平方和來作爲損失函數,利用最大似然估計,來給出解釋。
由於線性迴歸模型中,
對於任意樣本
則其似然函數爲:
然後,對似然函數取對數:
因此,最大似然函數估計
二:邏輯斯諦迴歸
邏輯斯諦迴歸,名稱上是迴歸,其實是
1)邏輯斯諦模型滿足的條件概率分佈:
如果對於測試樣本
2)參數
利用最大似然法估計模型參數。
1:寫出條件概率分佈函數
2:寫出似然函數(訓練樣本滿足獨立,則其條件概率密度函數連乘)
3:寫出對數似然函數,求導,等於0.(參數是個向量,則分別進行求偏導)
對於邏輯斯諦迴歸來說,是梯度上升法來求對數似然函數的極大值的。
其中
其中似然函數如下:
當參數是向量時,分部進行求偏導計算。
3)程序
# -*- coding: utf-8 -*-
from numpy import *
def loadDataSet (): #構造數據集 和標籤
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])])
#每個數據集,最前面追加1,x0=1;
labelMat.append(int(lineArr[2]))
return dataMat,labelMat
def sigmoid (inX): #sigmoid 函數
return 1.0/(1+exp(-inX))
#隨機梯度算法,一次迭代 :分別隨機的選擇數據,
# 進行更新w,進行m次運算
def stocGradAscent1 (dataMatrix,classLabels,numIter=150):
m,n=shape(dataMatrix) #m個數據 n 個特徵
weights=ones(n) #初始化權重
for j in range(numIter):
dataIndex=range(m)
for i in range(m):
alpha=4/(1.0+i+j)+0.01; # 步長不是定值
randIndex=int(random.uniform(0,len(dataIndex)))
h=sigmoid(sum(dataMatrix[randIndex]*weights))
error=(classLabels[randIndex]-h)
weights=weights+alpha*error*dataMatrix[randIndex]
del(dataIndex[randIndex])
return weights
#梯度上生法: 一次迭代,整個數據一次進行運算。
def gradAscent (dataMatIn,classLabels):
dataMatrix=mat(dataMatIn)
labelMat=mat(classLabels).transpose()
m,n=shape(dataMatrix)
alpha=0.001
maxCycles=20
weights=ones((n,1))
for k in range(maxCycles):
h=sigmoid(dataMatrix*weights)
error=(labelMat-h)
weights=weights+alpha*dataMatrix.transpose()*error
return weights
#畫圖函數
def plotBestFit (wei):
import matplotlib.pyplot as plt
weights=array(wei)
dataMat,labelMat=loadDataSet()
dataArr=array(dataMat)
n=shape(dataArr)[0]
xcord1=[];
ycord1=[];
xcord2=[];
ycord2=[];
for i in range(n):
if int(labelMat[i])==1:
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',marker='s')
x=arange(-3.0,3.0,0.1)
y=(-weights[0]-weights[1]*x)/weights[2]
##由sigmoid 可知:0=w0+w1*x1+w2*x2爲分類線
ax.plot(x,y)
plt.xlabel('X1');
plt.ylabel('X2');
plt.show()
分類的結果:
下面給出對於新樣本的分類函數。
#分類判別
def classifyVector (inX,weights):
prob=sigmoid(sum(inX*weights))
if prob>0.5:
return 1.0
else:
return 0.0
參考文獻:
斯坦福機器學習,吳恩達。
《機器學習實戰》。