一、Logistic迴歸與梯度上升算法
Logistic迴歸是衆多分類算法中的一員。通常,Logistic迴歸用於二分類問題,例如預測明天是否會下雨。當然它也可以用於多分類問題,不過爲了簡單起見,本文暫先討論二分類問題。首先,讓我們來了解一下,什麼是Logistic迴歸。
1、Logistic迴歸
假設現在有一些數據點,我們利用一條直線對這些點進行擬合(該線稱爲最佳擬合直線),這個擬合過程就稱作爲迴歸,如下圖所示:
Logistic迴歸是分類方法,它利用的是Sigmoid函數閾值在[0,1]這個特性。Logistic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公式,以此進行分類。其實,Logistic本質上是一個基於條件概率的判別模型(Discriminative Model)。
所以要想了解Logistic迴歸,我們必須先看一看Sigmoid函數 ,我們也可以稱它爲Logistic函數。它的公式如下:
整合成一個公式,就變成了如下公式:
下面這張圖片,爲我們展示了Sigmoid函數的樣子。
z是一個矩陣,θ是參數列向量(要求解的),x是樣本列向量(給定的數據集)。θ^T表示θ的轉置。g(z)函數實現了任意實數到[0,1]的映射,這樣我們的數據集([x0,x1,...,xn]),不管是大於1或者小於0,都可以映射到[0,1]區間進行分類。hθ(x)給出了輸出爲1的概率。比如當hθ(x)=0.7,那麼說明有70%的概率輸出爲1。輸出爲0的概率是輸出爲1的補集,也就是30%。
如果我們有合適的參數列向量θ([θ0,θ1,...θn]^T),以及樣本列向量x([x0,x1,...,xn]),那麼我們對樣本x分類就可以通過上述公式計算出一個概率,如果這個概率大於0.5,我們就可以說樣本是正樣本,否則樣本是負樣本。
舉個例子,對於"垃圾郵件判別問題",對於給定的郵件(樣本),我們定義非垃圾郵件爲正類,垃圾郵件爲負類。我們通過計算出的概率值即可判定郵件是否是垃圾郵件。
那麼問題來了!如何得到合適的參數向量θ?
根據sigmoid函數的特性,我們可以做出如下的假設:
式即爲在已知樣本x和參數θ的情況下,樣本x屬性正樣本(y=1)和負樣本(y=0)的條件概率。理想狀態下,根據上述公式,求出各個點的概率均爲1,也就是完全分類都正確。但是考慮到實際情況,樣本點的概率越接近於1,其分類效果越好。比如一個樣本屬於正樣本的概率爲0.51,那麼我們就可以說明這個樣本屬於正樣本。另一個樣本屬於正樣本的概率爲0.99,那麼我們也可以說明這個樣本屬於正樣本。但是顯然,第二個樣本概率更高,更具說服力。我們可以把上述兩個概率公式合二爲一:
合併出來的Cost,我們稱之爲代價函數(Cost Function)。當y等於1時,(1-y)項(第二項)爲0;當y等於0時,y項(第一項)爲0。爲了簡化問題,我們對整個表達式求對數,(將指數問題對數化是處理數學問題常見的方法):
這個代價函數,是對於一個樣本而言的。給定一個樣本,我們就可以通過這個代價函數求出,樣本所屬類別的概率,而這個概率越大越好,所以也就是求解這個代價函數的最大值。既然概率出來了,那麼最大似然估計也該出場了。假定樣本與樣本之間相互獨立,那麼整個樣本集生成的概率即爲所有樣本生成概率的乘積,再將公式對數化,便可得到如下公式:
其中,m爲樣本的總數,y(i)表示第i個樣本的類別,x(i)表示第i個樣本,需要注意的是θ是多維向量,x(i)也是多維向量。
綜上所述,滿足J(θ)的最大的θ值即是我們需要求解的模型。
怎麼求解使J(θ)最大的θ值呢?因爲是求最大值,所以我們需要使用梯度上升算法。如果面對的問題是求解使J(θ)最小的θ值,那麼我們就需要使用梯度下降算法。面對我們這個問題,如果使J(θ) := -J(θ),那麼問題就從求極大值轉換成求極小值了,使用的算法就從梯度上升算法變成了梯度下降算法,它們的思想都是相同的,學會其一,就也會了另一個。本文使用梯度上升算法進行求解。
2、梯度上升算法
說了半天,梯度上升算法又是啥?J(θ)太複雜,我們先看個簡單的求極大值的例子。一個看了就會想到高中生活的函數:
來吧,做高中題。這個函數的極值怎麼求?顯然這個函數開口向下,存在極大值,它的函數圖像爲:
求極值,先求函數的導數:
令導數爲0,可求出x=2即取得函數f(x)的極大值。極大值等於f(2)=4
但是真實環境中的函數不會像上面這麼簡單,就算求出了函數的導數,也很難精確計算出函數的極值。此時我們就可以用迭代的方法來做。就像爬坡一樣,一點一點逼近極值。這種尋找最佳擬合參數的方法,就是最優化算法。爬坡這個動作用數學公式表達即爲:
其中,α爲步長,也就是學習速率,控制更新的幅度。效果如下圖所示:
比如從(0,0)開始,迭代路徑就是1->2->3->4->...->n,直到求出的x爲函數極大值的近似值,停止迭代。我們可以編寫Python3代碼,來實現這一過程:
# -*- coding:UTF-8 -*-
"""
函數說明:梯度上升算法測試函數
求函數f(x) = -x^2 + 4x的極大值
Parameters:
無
Returns:
無
"""
def Gradient_Ascent_test():
def f_prime(x_old): #f(x)的導數
return -2 * x_old + 4
x_old = -1 #初始值,給一個小於x_new的值
x_new = 0 #梯度上升算法初始值,即從(0,0)開始
alpha = 0.01 #步長,也就是學習速率,控制更新的幅度
presision = 0.00000001 #精度,也就是更新閾值
while abs(x_new - x_old) > presision:
x_old = x_new
x_new = x_old + alpha * f_prime(x_old) #上面提到的公式
print(x_new) #打印最終求解的極值近似值
if __name__ == '__main__':
Gradient_Ascent_test()
代碼運行結果如下:
結果很顯然,已經非常接近我們的真實極值2了。這一過程,就是梯度上升算法。那麼同理,J(θ)這個函數的極值,也可以這麼求解。公式可以這麼寫:
由上小節可知J(θ)爲:
sigmoid函數爲:
那麼,現在我只要求出J(θ)的偏導,就可以利用梯度上升算法,求解J(θ)的極大值了。
那麼現在開始求解J(θ)對θ的偏導,求解如下:
其中:
再由:
可得:
接下來,就剩下第三部分:
綜上所述:
因此,梯度上升迭代公式爲:
知道了,梯度上升迭代公式,我們就可以自己編寫代碼,計算最佳擬合參數了。
二、Python3實戰
1、數據準備
數據集已經爲大家準備好,下載地址:數據集下載
這就是一個簡單的數據集,沒什麼實際意義。讓我們先從這個簡單的數據集開始學習。先看下數據集有哪些數據:
這個數據有兩維特徵,因此可以將數據在一個二維平面上展示出來。我們可以將第一列數據(X1)看作x軸上的值,第二列數據(X2)看作y軸上的值。而最後一列數據即爲分類標籤。根據標籤的不同,對這些點進行分類。
那麼,先讓我們編寫代碼,看下數據集的分佈情況:
# -*- coding:UTF-8 -*-
import matplotlib.pyplot as plt
import numpy as np
"""
函數說明:加載數據
Parameters:
無
Returns:
dataMat - 數據列表
labelMat - 標籤列表
"""
def loadDataSet():
dataMat = [] #創建數據列表
labelMat = [] #創建標籤列表
fr = open('testSet.txt') #打開文件
for line in fr.readlines(): #逐行讀取
lineArr = line.strip().split() #去回車,放入列表
dataMat.append([1.0, float(lineArr[0]), float(lineArr[1])]) #添加數據
labelMat.append(int(lineArr[2])) #添加標籤
fr.close() #關閉文件
return dataMat, labelMat #返回
"""
函數說明:繪製數據集
Parameters:
無
Returns:
無
"""
def plotDataSet():
dataMat, labelMat = loadDataSet() #加載數據集
dataArr = np.array(dataMat) #轉換成numpy的array數組
n = np.shape(dataMat)[0] #數據個數
xcord1 = []; ycord1 = [] #正樣本
xcord2 = []; ycord2 = [] #負樣本
for i in range(n): #根據數據集標籤進行分類
if int(labelMat[i]) == 1:
xcord1.append(dataArr[i,1]); ycord1.append(dataArr[i,2]) #1爲正樣本
else:
xcord2.append(dataArr[i,1]); ycord2.append(dataArr[i,2]) #0爲負樣本
fig = plt.figure()
ax = fig.add_subplot(111) #添加subplot
ax.scatter(xcord1, ycord1, s = 20, c = 'red', marker = 's',alpha=.5)#繪製正樣本
ax.scatter(xcord2, ycord2, s = 20, c = 'green',alpha=.5) #繪製負樣本
plt.title('DataSet') #繪製title
plt.xlabel('x'); plt.ylabel('y') #繪製label
plt.show() #顯示
if __name__ == '__main__':
plotDataSet()
運行結果如下:
從上圖可以看出數據的分佈情況。假設Sigmoid函數的輸入記爲z,那麼z=w0x0 + w1x1 + w2x2,即可將數據分割開。其中,x0爲全是1的向量,x1爲數據集的第一列數據,x2爲數據集的第二列數據。另z=0,則0=w0 + w1x1 + w2x2。橫座標爲x1,縱座標爲x2。這個方程未知的參數爲w0,w1,w2,也就是我們需要求的迴歸係數(最優參數)。
2、訓練算法
在編寫代碼之前,讓我們回顧下梯度上升迭代公式:
將上述公式矢量化:
根據矢量化的公式,編寫代碼如下:
# -*- coding:UTF-8 -*-
import numpy as np
"""
函數說明:加載數據
Parameters:
無
Returns:
dataMat - 數據列表
labelMat - 標籤列表
"""
def loadDataSet():
dataMat = [] #創建數據列表
labelMat = [] #創建標籤列表
fr = open('testSet.txt') #打開文件
for line in fr.readlines(): #逐行讀取
lineArr = line.strip().split() #去回車,放入列表
dataMat.append([1.0, float(lineArr[0]), float(lineArr[1])]) #添加數據
labelMat.append(int(lineArr[2])) #添加標籤
fr.close() #關閉文件
return dataMat, labelMat #返回
"""
函數說明:sigmoid函數
Parameters:
inX - 數據
Returns:
sigmoid函數
"""
def sigmoid(inX):
return 1.0 / (1 + np.exp(-inX))
"""
函數說明:梯度上升算法
Parameters:
dataMatIn - 數據集
classLabels - 數據標籤
Returns:
weights.getA() - 求得的權重數組(最優參數)
"""
def gradAscent(dataMatIn, classLabels):
dataMatrix = np.mat(dataMatIn) #轉換成numpy的mat
labelMat = np.mat(classLabels).transpose() #轉換成numpy的mat,並進行轉置
m, n = np.shape(dataMatrix) #返回dataMatrix的大小。m爲行數,n爲列數。
alpha = 0.001 #移動步長,也就是學習速率,控制更新的幅度。
maxCycles = 500 #最大迭代次數
weights = np.ones((n,1))
for k in range(maxCycles):
h = sigmoid(dataMatrix * weights) #梯度上升矢量化公式
error = labelMat - h
weights = weights + alpha * dataMatrix.transpose() * error
return weights.getA() #將矩陣轉換爲數組,返回權重數組
if __name__ == '__main__':
dataMat, labelMat = loadDataSet()
print(gradAscent(dataMat, labelMat))
運行結果如圖所示:
可以看出,我們已經求解出迴歸係數[w0,w1,w2]。
通過求解出的參數,我們就可以確定不同類別數據之間的分隔線,畫出決策邊界。
3、繪製決策邊界
我們已經解出了一組迴歸係數,它確定了不同類別數據之間的分隔線。現在開始繪製這個分隔線,編寫代碼如下:
# -*- coding:UTF-8 -*-
import matplotlib.pyplot as plt
import numpy as np
"""
函數說明:加載數據
Parameters:
無
Returns:
dataMat - 數據列表
labelMat - 標籤列表
"""
def loadDataSet():
dataMat = [] #創建數據列表
labelMat = [] #創建標籤列表
fr = open('testSet.txt') #打開文件
for line in fr.readlines(): #逐行讀取
lineArr = line.strip().split() #去回車,放入列表
dataMat.append([1.0, float(lineArr[0]), float(lineArr[1])]) #添加數據
labelMat.append(int(lineArr[2])) #添加標籤
fr.close() #關閉文件
return dataMat, labelMat #返回
"""
函數說明:sigmoid函數
Parameters:
inX - 數據
Returns:
sigmoid函數
"""
def sigmoid(inX):
return 1.0 / (1 + np.exp(-inX))
"""
函數說明:梯度上升算法
Parameters:
dataMatIn - 數據集
classLabels - 數據標籤
Returns:
weights.getA() - 求得的權重數組(最優參數)
"""
def gradAscent(dataMatIn, classLabels):
dataMatrix = np.mat(dataMatIn) #轉換成numpy的mat
labelMat = np.mat(classLabels).transpose() #轉換成numpy的mat,並進行轉置
m, n = np.shape(dataMatrix) #返回dataMatrix的大小。m爲行數,n爲列數。
alpha = 0.001 #移動步長,也就是學習速率,控制更新的幅度。
maxCycles = 500 #最大迭代次數
weights = np.ones((n,1))
for k in range(maxCycles):
h = sigmoid(dataMatrix * weights) #梯度上升矢量化公式
error = labelMat - h
weights = weights + alpha * dataMatrix.transpose() * error
return weights.getA() #將矩陣轉換爲數組,返回權重數組
"""
函數說明:繪製數據集
Parameters:
weights - 權重參數數組
Returns:
無
"""
def plotBestFit(weights):
dataMat, labelMat = loadDataSet() #加載數據集
dataArr = np.array(dataMat) #轉換成numpy的array數組
n = np.shape(dataMat)[0] #數據個數
xcord1 = []; ycord1 = [] #正樣本
xcord2 = []; ycord2 = [] #負樣本
for i in range(n): #根據數據集標籤進行分類
if int(labelMat[i]) == 1:
xcord1.append(dataArr[i,1]); ycord1.append(dataArr[i,2]) #1爲正樣本
else:
xcord2.append(dataArr[i,1]); ycord2.append(dataArr[i,2]) #0爲負樣本
fig = plt.figure()
ax = fig.add_subplot(111) #添加subplot
ax.scatter(xcord1, ycord1, s = 20, c = 'red', marker = 's',alpha=.5)#繪製正樣本
ax.scatter(xcord2, ycord2, s = 20, c = 'green',alpha=.5) #繪製負樣本
x = np.arange(-3.0, 3.0, 0.1)
y = (-weights[0] - weights[1] * x) / weights[2]
ax.plot(x, y)
plt.title('BestFit') #繪製title
plt.xlabel('X1'); plt.ylabel('X2') #繪製label
plt.show()
if __name__ == '__main__':
dataMat, labelMat = loadDataSet()
weights = gradAscent(dataMat, labelMat)
plotBestFit(weights)
運行結果如下:
這個分類結果相當不錯,從上圖可以看出,只分錯了幾個點而已。但是,儘管例子簡單切數據集很小,但是這個方法卻需要大量的計算(300次乘法)。因此下篇文章將對改算法稍作改進,從而減少計算量,使其可以應用於大數據集上。
三、總結
Logistic迴歸的一般過程:
- 收集數據:採用任意方法收集數據。
- 準備數據:由於需要進行距離計算,因此要求數據類型爲數值型。另外,結構化數據格式則最佳。
- 分析數據:採用任意方法對數據進行分析。
- 訓練算法:大部分時間將用於訓練,訓練的目的是爲了找到最佳的分類迴歸係數。
- 測試算法:一旦訓練步驟完成,分類將會很快。
- 使用算法:首先,我們需要輸入一些數據,並將其轉換成對應的結構化數值;接着,基於訓練好的迴歸係數,就可以對這些數值進行簡單的迴歸計算,判定它們屬於哪個類別;在這之後,我們就可以在輸出的類別上做一些其他分析工作。
參考文獻:
- 斯坦福大學的吳恩達《機器學習》:https://www.coursera.org/learn/machine-learning
- 《機器學習實戰》第五章內容
- 機器學習實戰教程(六):Logistic迴歸基礎篇之梯度上升算法