邏輯迴歸算法是用於分類的。本案例中,建立一個邏輯迴歸模型來預測一個學生是否被大學錄取。假設你是一個大學系的管理員,你想根據兩次考試的結果來決定每個申請人的錄取機會。你有以前的申請人的歷史數據,你可以用它作爲邏輯迴歸的訓練集。對於每一個培訓例子,你有兩個考試的申請人的分數和錄取決定。爲了做到這一點,我們將建立一個分類模型,根據考試成績估計入學概率。
1、首先,導入庫,並且讀取數據集。原來數據集是 .txt 結尾的。
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import os
path = 'LogiReg_data.txt'
pdData = pd.read_csv(path, header=None, names=['Exam 1', 'Exam 2', 'Admitted'])
由於原始數據中並沒有給出每一列的列的名字,所以,我們自己加一個 “Exam 1”、"“Exam 2”、"Admitted",我們最好列舉前幾行數據,確認一下是否讀入了數據,並且,看一下數據的維度:
pdData.head()
pdData.shape
顯示結果如下:
2、將數據分成正負樣本,利用散點圖,大致看一下數據分佈(不是必要步驟,而且因爲數據只有兩個維度,才添加了此步驟)
positive = pdData[pdData['Admitted'] == 1]
negative = pdData[pdData['Admitted'] == 0]
fig, ax = plt.subplots(figsize=(10,5))
ax.scatter(positive['Exam 1'], positive['Exam 2'], s=30, c='b', marker='o', label='Admitted')
ax.scatter(negative['Exam 1'], negative['Exam 2'], s=30, c='r', marker='x', label='Not Admitted')
ax.legend()
ax.set_xlabel('Exam 1 Score')
ax.set_ylabel('Exam 2 Score')
補充說明一下:Admitted 是標籤,當標籤爲 1 時,認爲是正樣本;標籤爲 0 時,認爲是負樣本。而 pd Data['Admitted'] == 1,是一堆 True 和 false。散點圖的顯示效果如下所示:
3、邏輯迴歸
此部分,我們主要建立一個分類器:也就是求解 theta 值。然後設定閾值,根據閾值,判斷是否被錄取。主要步驟如下:
(1)、定義 sigmoid 函數
def sigmoid(z):
return 1 / (1 + np.exp(-z))
sigmoid 函數是將預測值(比如線性迴歸中的結果),映射爲概率的一個函數。形式爲:
其中,自變量 z 爲任意值,而 g(z) 的值域爲 (0,1),(0,1)也就是對應着概率的大小。曲線圖如下:
(2)定義模型,也就是預測函數
def model(X, theta):
return sigmoid(np.dot(X, theta.T))
將 sigmoid () 函數的自變量 z 變成上式。其中,X 是樣本數據,它的每一行都是一個樣本,每一列爲樣本的某一個特徵。theta 表示參數,它是我們通過學習獲得的,其中,對於每一個特徵,都對應一個 theta ,即
其中,爲偏置項,因此,要在原始數據上補上一列,值爲 1 ,是爲了形式上的統一,方便矩陣運算,
pdData.insert(0, 'Ones', 1) # 在第 0 列,插入一列,名稱爲"Onces",數值全爲 1
# set X (training data) and y (target variable)
orig_data = pdData.as_matrix() # convert the Pandas representation of the data to an array useful for further computations
cols = orig_data.shape[1]
X = orig_data[:,0:cols-1]
y = orig_data[:,cols-1:cols]
theta = np.zeros([1, 3]) # 初始化theta
(3) 定義損失函數
損失函數是將對數似然函數,乘以一個負號。乘以負號是爲了將求解梯度上升轉換爲求解梯度下降,
這是整體的一個損失,但是,不同的樣本量,總損失肯定是不同的,因此,爲了確定一個統一標準,使用平均損失,即將總損失除以樣本個數,
def cost(X, y, theta):
left = np.multiply(-y, np.log(model(X, theta)))
right = np.multiply(1 - y, np.log(1 - model(X, theta)))
return np.sum(left - right) / (len(X))
初始的損失值,我們可以計算出來,
cost(X, y, theta)
結果爲:0.69314718055994529
(4)梯度的計算與參數的更新
計算梯度的目的是尋找極值,確定損失函數如何進行優化,使損失函數的值越來越小。
參數的更新策略爲:
我們需要通過迭代來計算梯度,然後,梯度的計算什麼時候停止呢?這裏有三種停止策略:
1、設置固定的迭代次數
2、設置損失函數的閾值,當達到一定閾值時,就停止迭代。
3、通過梯度的變化率來判斷:設置前後兩次梯度相差的閾值,如果小於該閾值,停止迭代。
相關代碼如下:
STOP_ITER = 0
STOP_COST = 1
STOP_GRAD = 2
def stopCriterion(type, value, threshold):
#設定三種不同的停止策略
if type == STOP_ITER: return value > threshold
elif type == STOP_COST: return abs(value[-1]-value[-2]) < threshold
elif type == STOP_GRAD: return np.linalg.norm(value) < threshold
import numpy.random
#洗牌
def shuffleData(data):
np.random.shuffle(data)
cols = data.shape[1]
X = data[:, 0:cols-1]
y = data[:, cols-1:]
return X, y
import time
def descent(data, theta, batchSize, stopType, thresh, alpha):
#梯度下降求解
init_time = time.time()
i = 0 # 迭代次數
k = 0 # batch
X, y = shuffleData(data)
grad = np.zeros(theta.shape) # 計算的梯度
costs = [cost(X, y, theta)] # 損失值
while True:
grad = gradient(X[k:k+batchSize], y[k:k+batchSize], theta)
k += batchSize #取batch數量個數據
if k >= n: # 這個 n 是在運行的時候指定的,爲樣本的個數
k = 0
X, y = shuffleData(data) #重新洗牌
theta = theta - alpha*grad # 參數更新
costs.append(cost(X, y, theta)) # 計算新的損失
i += 1
if stopType == STOP_ITER: value = i
elif stopType == STOP_COST: value = costs
elif stopType == STOP_GRAD: value = grad
if stopCriterion(stopType, value, thresh): break
return theta, i-1, costs, grad, time.time() - init_time
def run(data, theta, batchSize, stopType, thresh, alpha):
#import pdb; pdb.set_trace();
theta, iter, costs, grad, dur = descent(data, theta, batchSize, stopType, thresh, alpha)
fig, ax = plt.subplots(figsize=(12,4))
ax.plot(np.arange(len(costs)), costs, 'r')
ax.set_xlabel('Iterations')
ax.set_ylabel('Cost')
ax.set_title(name.upper() + ' - Error vs. Iteration')
return theta
這樣,就可以運行結果了。運行的類型有很多種,首先,終止迭代的方式有三種,而選擇樣本的方式同樣有三種:(1)批量梯度下降,也就是一下子考慮所有的樣本,這樣的話,速度慢,但是容易得到最優解;(2)隨機梯度下降,每次只利用一個樣本,這樣的方式迭代速度很快,不過難以保證每次的迭代都是朝着收斂的方向;(3)小批量梯度下降,即 mini-batch ,每次更新選擇一小部分,比如 16個樣本,32 個樣本等等,這樣的方式很實用,但應該先對數據進行洗牌,打亂順序。
先運行一下:
run(orig_data, theta, n, STOP_GRAD, thresh=0.005, alpha=0.001)
結果如下:
如果採用隨機梯度下降(每次只使用一個樣本),或者小批量梯度下降(每次採用 mini-batch),會產生如下的效果——波動太大
run(orig_data, theta, 1, STOP_ITER, thresh=5000, alpha=0.001)
有至少兩種解決方案:
(1)將學習率調小一點,情況肯定會有所改善
(2)對數據去均值化。將數據按其屬性(按列進行)減去其均值,然後除以其方差。最後得到的結果是,對每個屬性/每列來說所有數據都聚集在0附近,方差值爲1。
from sklearn import preprocessing as pp
scaled_data = orig_data.copy()
scaled_data[:, 1:3] = pp.scale(orig_data[:, 1:3])
最終的結果是:波動不再明顯,並且收斂速度加快,最終獲得的損失函數的值會更小。不再一一列舉實驗
4、精度判斷
我們訓練好的模型到底好不好用,測試結果來說話:
#設定閾值
def predict(X, theta):
return [1 if x >= 0.5 else 0 for x in model(X, theta)]
scaled_X = scaled_data[:, :3]
y = scaled_data[:, 3]
predictions = predict(scaled_X, theta)
correct = [1 if ((a == 1 and b == 1) or (a == 0 and b == 0)) else 0 for (a, b) in zip(predictions, y)]
accuracy = (sum(map(int, correct)) % len(correct))
print ('accuracy = {0}%'.format(accuracy))
最後結果爲 92 %。當然了,這個結果是可以改善了,如果迭代的次數更多,這個精度會更高。