邏輯迴歸是用來解決分類問題用的,與線性迴歸不同的是,邏輯迴歸輸出的不是具體的值,而是一個概率。除去了sigmoid函數的邏輯歸回和線性迴歸幾乎是一樣的。
構造hypothesis
邏輯迴歸的可以看做是一個線性迴歸方程的結果經過一個sigmoid函數得到的結果(爲正樣本的概率),邏輯迴歸的假設函數如下:
函數 表示樣本被預測爲正例 的概率,我們很容易的得到樣本被預測爲正例和負例的概率如下:
上式可以合併爲一個式子:(預測結果的概率表示)
構造損失函數
我們對“預測結果的概率表示”取似然函數,取似然函數就是將模型對樣本的概率預測值累乘起來。得到如下的似然函數:
由於該式比較麻煩涉及連乘法,所以我們對其去加對數操作得到對數似然函數:
上述利用的是最大似然估計原理:極大似然估計就是利用已知的樣本分佈,找到最有可能(即最大概率)導致這種分佈的參數值;或者說什麼樣的參數才能使我們觀測到目前這組數據的概率最大。
當似然函數求得最大值時,模型參數能夠最大可能的滿足當前的樣本,求最大值使用梯度向上法,我們可以對似然函數加個負號,通過求等價問題的最小值來求原問題的最大值,這樣我們就可以使用極大似然估計法。(注意這裏還多加了個)
這樣我們就能得到損失函數的最終形式:
即等價於:
通過“梯度下降法”求參數 的更新式
我們下圖爲推導式,面試推導的時候可以不寫下標(假設我們使用隨機梯度下降法),這樣可以使推導式更簡潔。
求梯度:
這裏需要提一下的是,sigmoid函數有如下性質,在上述推導的第三行中可以看到:
θ更新式:α 爲學習率
總結:LR在確定了模型的形式後,通過最大似然估計法來實現最小散度從而求出模型參數。
代碼實現
向量化:向量化是使用矩陣計算來代替for
循環,以簡化計算過程,提高效率。
# -*- coding: utf-8 -*-
from numpy import *
from matplotlib import pyplot as plt
def plot_best_fit(wei, data_set, label):
weights = wei
data_set = array(data_set)
n = shape(data_set)[0]
xcourd1 = []; ycourd1 = []
xcourd2 = []; ycourd2 = []
for i in range(n):
if int(label[i]) == 1:
xcourd1.append(data_set[i, 1]); ycourd1.append(data_set[i, 2])
else:
xcourd2.append(data_set[i, 1]); ycourd2.append(data_set[i, 2])
fig = plt.figure()
ax = fig.add_subplot(111)
ax.scatter(xcourd1, ycourd1, s=30, c='red', marker='s')
ax.scatter(xcourd2, ycourd2, s=30, c='green')
x = arange(-3.0, 3.0, 0.1)
y = (-weights[0] - weights[1]*x)/weights[2]
ax.plot(x, y)
plt.xlabel('X1'); plt.ylabel('X2')
plt.show()
def load_data():
data_set = []
label = []
fr = open('./text.txt')
for line in fr.readlines():
line = line.strip().split()
data_set.append([1.0, float(line[0]), float(line[1])])
label.append(int(line[2]))
return data_set, label
def sigmoid(x):
return 1.0 / (1 + exp(-x))
# 梯度下降算法 GD
def train(data_set, label):
data_matrix = mat(data_set)
label = mat(label).transpose()
m, n = shape(data_matrix)
alpha = 0.001
max_cycles = 500
weights = ones((n, 1))
for k in range(max_cycles):
h = sigmoid(data_matrix*weights)
error = h - label
weights = weights - alpha * data_matrix.transpose() * error
return weights
# on line to study SGD
def stoc_grad_descent(data_set, label):
m, n = shape(data_set)
alpha = 0.01
weights = ones(n)
for i in range(m):
h = sigmoid(sum(data_set[i]*weights))
error = h - label[i]
weights = weights - alpha * error * data_set[i]
return weights
# on line to study prove
def prove_grad_ascent(data_set, label, num_iter=450):
m, n = shape(data_set)
weights = ones(n)
for j in range(num_iter):
data_index = range(m)
for i in range(m):
alpha = 4/(1.0+j+i)+0.01 # prevent swings
# choose a random value to prevent periodic swings
rand_index = int(random.uniform(0, len(data_index)))
h = sigmoid(sum(data_set[rand_index]*weights))
error = label[rand_index] - h
weights = weights + alpha * error * data_set[rand_index]
del data_index[rand_index]
return weights
if __name__ == "__main__":
data_set, label = load_data()
#print label
#weights = train(array(data_set), label)
#weights = stoc_grad_ascent(array(data_set), label)
weights = prove_grad_ascent(array(data_set), label)
plot_best_fit(weights, data_set, label)
References
- https://blog.csdn.net/dpengwang/article/details/86746233
- https://www.jianshu.com/p/471b2fd570a3