生活随笔
收集整理的這篇文章主要介紹了
Logistic回归 python实现
小編覺得挺不錯的,現在分享給大家,幫大家做個參考.
Logistic回歸
算法優缺點：
1.計算代價不高，易于理解和實現
2.容易欠擬合，分類精度可能不高
3.適用數據類型：數值型和標稱型
算法思想：
- 其實就我的理解來說，logistic回歸實際上就是加了個sigmoid函數的線性回歸，這個sigmoid函數的好處就在于，將結果歸到了0到1這個區間里面了，并且sigmoid（0）=0.5，也就是說里面的線性部分的結果大于零小于零就可以直接計算到了。這里的求解方式是梯度上升法，具體我就不扯了，最推薦的資料還是Ng的視頻，那里面的梯度下降就是啦，只不過一個是梯度上升的方向一個是下降的方向，做法什么的都一樣。
- 而梯度上升（準確的說叫做“批梯度上升”）的一個缺點就是計算量太大了，每一次迭代都需要把所有的數據算一遍，這樣一旦訓練集大了之后，那么計算量將非常大，所以這里后面還提出了隨機梯度下降，思想就是每次只是根據一個data進行修正。這樣得到的最終的結果可能會有所偏差但是速度卻提高了很多，而且優化之后的偏差還是很小的。隨機梯度上升的另一個好處是這是一個在線算法，可以根據新數據的到來不斷處理
函數：
loadDataSet()
創建數據集，這里的數據集就是在一個文件中，這里面有三行，分別是兩個特征和一個標簽，但是我們在讀出的時候還加了X0這個屬性
sigmoid(inX)
sigmoid函數的計算，這個函數長這樣的，基本坐標大點就和階躍函數很像了
gradAscend(dataMatIn, classLabels)
梯度上升算法的實現，里面用到了numpy的數組，并且設定了迭代次數500次，然后為了計算速度都采取了矩陣計算，計算的過程中的公式大概是：w= w+alpha*(y-h)x[i]（一直懶得寫公式，見諒。。。）
gradAscendWithDraw(dataMatIn, classLabels)
上面的函數加強版，增加了一個weight跟著迭代次數的變化曲線
stocGradAscent0(dataMatrix, classLabels)
這里為了加快速度用來隨機梯度上升，即每次根據一組數據調整（額，好吧，這個際沒有隨機因為那是線面那個函數）
stocGradAscentWithDraw0(dataMatrix, classLabels)
上面的函數加強版，增加了一個weight跟著迭代次數的變化曲線
stocGradAscent1(dataMatrix, classLabels, numIter=150)
這就真的開始隨機了，隨機的主要好處是減少了周期性的波動了。另外這里還加入了alpha的值隨迭代變化，這樣可以讓alpha的值不斷的變化，但是都不會減小到0。
stocGradAscentWithDraw1(dataMatrix, classLabels, numIter=150)
上面的函數加強版，增加了一個weight跟著迭代次數的變化曲線
plotBestFit(wei)
根據計算的weight值畫出擬合的線，直觀觀察效果
運行效果分析： 1、梯度上升： 迭代變化趨勢 分類結果： 2、隨機梯度上升版本1 迭代變化趨勢 分類結果： 這個速度雖然快了很多但是效果不太理想啊。不過這個計算量那么少，我們如果把這個迭代200次肯定不一樣了，效果如下 果然好多了 3、隨機梯度上升版本2 迭代變化趨勢 分類結果：
恩，就是這樣啦，效果還是不錯的啦。代碼的畫圖部分寫的有點爛，見諒啦 1 #coding=utf-8
2 from numpy import *
3
4 def loadDataSet():
5 dataMat = []
6 labelMat = []
7 fr = open('testSet.txt')
8 for line in fr.readlines():
9 lineArr = line.strip().split()
10 dataMat.append([1.0, float(lineArr[0]), float(lineArr[1])])
11 labelMat.append(int(lineArr[2]))
12 return dataMat, labelMat
13
14 def sigmoid(inX):
15 return 1.0/(1+exp(-inX))
16
17 def gradAscend(dataMatIn, classLabels):
18 dataMatrix = mat(dataMatIn)
19 labelMat = mat(classLabels).transpose()
20 m,n = shape(dataMatrix)
21 alpha = 0.001
22 maxCycle = 500
23 weight = ones((n,1))
24 for k in range(maxCycle):
25 h = sigmoid(dataMatrix*weight)
26 error = labelMat - h
27 weight += alpha * dataMatrix.transpose() * error
28 #plotBestFit(weight)
29 return weight
30
31 def gradAscendWithDraw(dataMatIn, classLabels):
32 import matplotlib.pyplot as plt
33 fig = plt.figure()
34 ax = fig.add_subplot(311,ylabel='x0')
35 bx = fig.add_subplot(312,ylabel='x1')
36 cx = fig.add_subplot(313,ylabel='x2')
37 dataMatrix = mat(dataMatIn)
38 labelMat = mat(classLabels).transpose()
39 m,n = shape(dataMatrix)
40 alpha = 0.001
41 maxCycle = 500
42 weight = ones((n,1))
43 wei1 = []
44 wei2 = []
45 wei3 = []
46 for k in range(maxCycle):
47 h = sigmoid(dataMatrix*weight)
48 error = labelMat - h
49 weight += alpha * dataMatrix.transpose() * error
50 wei1.extend(weight[0])
51 wei2.extend(weight[1])
52 wei3.extend(weight[2])
53 ax.plot(range(maxCycle), wei1)
54 bx.plot(range(maxCycle), wei2)
55 cx.plot(range(maxCycle), wei3)
56 plt.xlabel('iter_num')
57 plt.show()
58 return weight
59
60 def stocGradAscent0(dataMatrix, classLabels):
61 m,n = shape(dataMatrix)
62
63 alpha = 0.001
64 weight = ones(n)
65 for i in range(m):
66 h = sigmoid(sum(dataMatrix[i]*weight))
67 error = classLabels[i] - h
68 weight = weight + alpha * error * dataMatrix[i]
69 return weight
70
71 def stocGradAscentWithDraw0(dataMatrix, classLabels):
72 import matplotlib.pyplot as plt
73 fig = plt.figure()
74 ax = fig.add_subplot(311,ylabel='x0')
75 bx = fig.add_subplot(312,ylabel='x1')
76 cx = fig.add_subplot(313,ylabel='x2')
77 m,n = shape(dataMatrix)
78
79 alpha = 0.001
80 weight = ones(n)
81 wei1 = array([])
82 wei2 = array([])
83 wei3 = array([])
84 numIter = 200
85 for j in range(numIter):
86 for i in range(m):
87 h = sigmoid(sum(dataMatrix[i]*weight))
88 error = classLabels[i] - h
89 weight = weight + alpha * error * dataMatrix[i]
90 wei1 =append(wei1, weight[0])
91 wei2 =append(wei2, weight[1])
92 wei3 =append(wei3, weight[2])
93 ax.plot(array(range(m*numIter)), wei1)
94 bx.plot(array(range(m*numIter)), wei2)
95 cx.plot(array(range(m*numIter)), wei3)
96 plt.xlabel('iter_num')
97 plt.show()
98 return weight
99
100 def stocGradAscent1(dataMatrix, classLabels, numIter=150):
101 m,n = shape(dataMatrix)
102
103 #alpha = 0.001
104 weight = ones(n)
105 for j in range(numIter):
106 dataIndex = range(m)
107 for i in range(m):
108 alpha = 4/ (1.0+j+i) +0.01
109 randIndex = int(random.uniform(0,len(dataIndex)))
110 h = sigmoid(sum(dataMatrix[randIndex]*weight))
111 error = classLabels[randIndex] - h
112 weight = weight + alpha * error * dataMatrix[randIndex]
113 del(dataIndex[randIndex])
114 return weight
115
116 def stocGradAscentWithDraw1(dataMatrix, classLabels, numIter=150):
117 import matplotlib.pyplot as plt
118 fig = plt.figure()
119 ax = fig.add_subplot(311,ylabel='x0')
120 bx = fig.add_subplot(312,ylabel='x1')
121 cx = fig.add_subplot(313,ylabel='x2')
122 m,n = shape(dataMatrix)
123
124 #alpha = 0.001
125 weight = ones(n)
126 wei1 = array([])
127 wei2 = array([])
128 wei3 = array([])
129 for j in range(numIter):
130 dataIndex = range(m)
131 for i in range(m):
132 alpha = 4/ (1.0+j+i) +0.01
133 randIndex = int(random.uniform(0,len(dataIndex)))
134 h = sigmoid(sum(dataMatrix[randIndex]*weight))
135 error = classLabels[randIndex] - h
136 weight = weight + alpha * error * dataMatrix[randIndex]
137 del(dataIndex[randIndex])
138 wei1 =append(wei1, weight[0])
139 wei2 =append(wei2, weight[1])
140 wei3 =append(wei3, weight[2])
141 ax.plot(array(range(len(wei1))), wei1)
142 bx.plot(array(range(len(wei2))), wei2)
143 cx.plot(array(range(len(wei2))), wei3)
144 plt.xlabel('iter_num')
145 plt.show()
146 return weight
147
148 def plotBestFit(wei):
149 import matplotlib.pyplot as plt
150 weight = wei
151 dataMat,labelMat = loadDataSet()
152 dataArr = array(dataMat)
153 n = shape(dataArr)[0]
154 xcord1 = []
155 ycord1 = []
156 xcord2 = []
157 ycord2 = []
158 for i in range(n):
159 if int(labelMat[i]) == 1:
160 xcord1.append(dataArr[i,1])
161 ycord1.append(dataArr[i,2])
162 else:
163 xcord2.append(dataArr[i,1])
164 ycord2.append(dataArr[i,2])
165 fig = plt.figure()
166 ax = fig.add_subplot(111)
167 ax.scatter(xcord1, ycord1, s=30, c='red', marker='s')
168 ax.scatter(xcord2, ycord2, s=30, c='green')
169 x = arange(-3.0, 3.0, 0.1)
170 y = (-weight[0] - weight[1]*x)/weight[2]
171 ax.plot(x,y)
172 plt.xlabel('X1')
173 plt.ylabel('X2')
174 plt.show()
175
176 def main():
177 dataArr,labelMat = loadDataSet()
178 #w = gradAscendWithDraw(dataArr,labelMat)
179 w = stocGradAscentWithDraw0(array(dataArr),labelMat)
180 plotBestFit(w)
181
182 if __name__ == '__main__':
183 main() ?
機器學習筆記索引
來自為知筆記(Wiz)
轉載于:https://www.cnblogs.com/MrLJC/p/4117805.html
創作挑戰賽新人創作獎勵來咯，堅持創作打卡瓜分現金大獎
總結
以上是生活随笔為你收集整理的Logistic回归 python实现的全部內容，希望文章能夠幫你解決所遇到的問題。
如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。
