機器學習——Logistic迴歸
迴歸:
常見的迴歸是指我們給定一些數據點,用於一條直線的擬合,在得到這條直線後,當有新的輸入時,可以得到它的輸出,相較於普通的線性迴歸(用於連續變量的預測),Logistics主要用於離散變量的分類,它的輸出範圍是一個離散的集合,表示屬於某一類的概率。總的來說,Logistics迴歸進行分類的主要思想是:根據現有數據對分類邊界線建立迴歸,以此進行分類,本質上是一個基於條件概率的判別模型。
推導:
對於Logistics迴歸,一個重要的Sigmoid函數需要了解:
對於這個函數的理解:是一個參數列向量,這是我們需要求解的擬合參數,x是樣本列向量,即我們給定的數據集,函數g()實現了任意函數到[0,1]的映射,這樣無論數據集多大,都可以映射到01區間進行分類,而我們通過這種迴歸方法得到的輸出就是分類爲1的概率。
對於這種迴歸方法,最重要的就是求定這個參數向量。
代價函數:
怎麼求解這個參數向量呢?我記得參數估計這本書中講了很多對於參數向量的求解,感興趣的人可以去看一下,如果我沒有記錯的話可以有皮爾森、最大似然、貝葉斯風險、最大最小準則等等,我們這裏其實就是從代價函數開始考慮的,給定一下函數大家理解一下:
對於這個函數我們稱之爲代價函數,當y=1時,右式子的第二項爲1,這時函數表示我們分類得到爲1的概率;而當y=0時,右式子的第一項爲1,這時表示我們分類得到爲0的概率,也就是說我們的輸入分類是什麼,我們就得到它對應的概率,基於這個基礎,綜合起來我們就是爲了在給定樣本情況下,讓這個函數越大,我們的擬合越準確,這時我們的問題就是怎麼讓上面的代價式子取到最大值,如果你熟悉最大似然,那麼就容易了,對上式子取對數,然後求讓函數最大值的參數變量,經過對數變化之後:
梯度上升法:
接下來就是求解使得上式取到最大值的參數變量,我們這裏介紹一種算法:梯度上升算法,所謂梯度上升法,就是爲了求到某函數的最大值,沿着該函數的梯度方向搜尋,就像爬坡一樣,一點一點逼近極值,爬坡的工作數學方式就是:
其中爲步長,就是我們常說的學習速率,控制更新的幅度。
例如對於函數,我們可以有以下的梯度上升法求得它的最大值:
import numpy as np
import matplotlib.pyplot as plt
x = np.arange(0,5,0.01)
y = -3*x**2+8*x
plt.figure(1)
plt.plot(x,y)
def Gradient_As():
#求導函數,根據不同函數可以寫出不同的求導函數
def derivation(x_old):
return -6*x_old+8
#設定初始值、步長、精度
x_old=-2
x_new=0
alpha=0.01
presision=0.00000001
#爬坡
while abs(x_new-x_old)>presision:
x_old=x_new
x_new=x_old+alpha*derivation(x_old)
plt.figure(1)
plt.scatter(x_new,-3*x_new**2+8*x_new,color='r',marker='+')
plt.show()
print(x_new)
Gradient_As()
1.333333177763651
可以看到我們得到的梯度上升過程就是逼近極值的過程:
[外鏈圖片轉存失敗(img-XFNCOJCL-1564669885697)(F:\Python\Gradient_As.png)]
利用這個梯度上升法對上面的對數式子進行求解:
經過運算後:
主要任務推導出來梯度上升的迭代公式,我們就可以直接coding,計算最佳的擬合參數。
實戰試驗:
這一次的實戰對一堆數據進行處理,這些數據都是二維座標上的一些點,每一個點都有一個標籤0或1,我們就是要根據這個數據集進行擬合直線,實現Logistics的迴歸。
下面時數據集的樣子:
-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
對於這些數據我們使用線性模型來模擬,,且時全爲1,爲數據集第一列,爲數據集第二列,則,我們就是要求得最優化的迴歸係數。對於梯度上升公式:
可以得到代碼:
import numpy as np
import matplotlib.pyplot as plt
"""
加載數據
把數據按一行一行都進去
然後返回數據矩陣以及相應的標籤矩陣
"""
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]))
fr.close()
return dataMat,labelMat
"""
sigmoid 函數:
返回sigmoid函數的值
"""
def sigmoid(inx):
return 1.0/(1+np.exp(-inx))
def gradAscent(dataMatIn,classLabels):
dataMatrix = np.mat(dataMatIn)
labelMat = np.mat(classLabels).transpose()
m,n =np.shape(dataMatrix)
alpha =0.001
maxCycles = 500
weights=np.ones((n,1))
for k in range(maxCycles):
h=sigmoid(dataMatrix*weights)
error=labelMat-h
weights=weights+alpha*dataMatrix.transpose()*error
return weights.getA()
dataMat,labelMat=loadDataSet()
print(gradAscent(dataMat,labelMat))
def plotFit(weights):
dataMat,labelMat = loadDataSet()
dataArr=np.array(dataMat)
n=np.shape(dataMat)[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 = 20, c = 'red', marker = 's',alpha=.5)
ax.scatter(xcord2,ycord2,s=20,c='green',alpha=.5)
x=np.arange(-3.0,3.0,0.1)
y=(-weights[0]-weights[1]*x)/weights[2]
ax.plot(x,y)
plt.title('Logistic')
plt.xlabel('X1'); plt.ylabel('X2')
plt.show()
weights=gradAscent(dataMat,labelMat)
plotFit(weights)
得到的分類:
[外鏈圖片轉存失敗(img-R2YMHtkW-1564669885707)(F:\Python\Logistics.png)]
這個結果已經相當不錯了,但是還有很多可以改進的,我會跟進方案。
結論:
總的來說,Logistics的迴歸步驟就是先進行數據的收集,然後處理,這一步需要我們根據數據集的格式進行靈活的處理,最後的輸出結果一般是帶標籤的矩陣,然後我們對參數向量乘以樣本列向量作爲sigmoid函數的輸入,得到輸出後根據梯度上升得到參數向量,就可以得到最終的模型並畫出決策邊界。
持續關注更新:https://github.com/Brian-Liew/Machine-Learning