網站首頁 編程語言 正文
本文實例為大家分享了python實現梯度下降求解邏輯回歸的具體代碼，供大家參考，具體內容如下
對比線性回歸理解邏輯回歸，主要包含回歸函數，似然函數，梯度下降求解及代碼實現
線性回歸
1.線性回歸函數
似然函數的定義：給定聯合樣本值X下關于(未知)參數
?的函數
似然函數：什么樣的參數跟我們的數據組合后恰好是真實值?????
2.線性回歸似然函數
對數似然：
?3.線性回歸目標函數
（誤差的表達式，我們的目的就是使得真實值與預測值之前的誤差最小）
（導數為0取得極值，得到函數的參數）
邏輯回歸
邏輯回歸是在線性回歸的結果外加一層Sigmoid函數
1.邏輯回歸函數
2.邏輯回歸似然函數
前提數據服從伯努利分布
對數似然：
引入
?轉變為梯度下降任務，邏輯回歸目標函數
梯度下降法求解
?我的理解就是求導更新參數，達到一定條件后停止，得到近似最優解
代碼實現
Sigmoid函數
def sigmoid(z): ? ?
??????? return 1 / (1 + np.exp(-z))預測函數
def model(X, theta): ? ?
? return sigmoid(np.dot(X, theta.T))目標函數
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))梯度
def gradient(X, y, theta): ? ?
grad = np.zeros(theta.shape) ? ?
error = (model(X, theta)- y).ravel() ? ?
for j in range(len(theta.ravel())): #for each parmeter ? ? ? ?
term = np.multiply(error, X[:,j]) ? ? ? ?
grad[0, j] = np.sum(term) / len(X) ? ?
??????? return grad梯度下降停止策略
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: ?# 設定迭代次數
? ? ? ? return value > threshold
? ? elif type == STOP_COST: ?# 根據損失值停止
? ? ? ? return abs(value[-1] - value[-2]) < threshold
? ? elif type == STOP_GRAD: ?# 根據梯度變化停止
? ? ? ? return np.linalg.norm(value) < threshold樣本重新洗牌
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梯度下降求解
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:
? ? ? ? ? ? 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完整代碼
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import os
import numpy.random
import time
?
?
def sigmoid(z):
? ? return 1 / (1 + np.exp(-z))
?
?
def model(X, theta):
? ? return sigmoid(np.dot(X, theta.T))
?
?
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))
?
?
def gradient(X, y, theta):
? ? grad = np.zeros(theta.shape)
? ? error = (model(X, theta) - y).ravel()
? ? for j in range(len(theta.ravel())): ?# for each parmeter
? ? ? ? term = np.multiply(error, X[:, j])
? ? ? ? grad[0, j] = np.sum(term) / len(X)
? ? return grad
?
?
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: ?# 設定迭代次數
? ? ? ? return value > threshold
? ? elif type == STOP_COST: ?# 根據損失值停止
? ? ? ? return abs(value[-1] - value[-2]) < threshold
? ? elif type == STOP_GRAD: ?# 根據梯度變化停止
? ? ? ? return np.linalg.norm(value) < threshold
?
?
# 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
?
?
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:
? ? ? ? ? ? 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 runExpe(data, theta, batchSize, stopType, thresh, alpha):
? ? # import pdb
? ? # pdb.set_trace()
? ? theta, iter, costs, grad, dur = descent(data, theta, batchSize, stopType, thresh, alpha)
? ? name = "Original" if (data[:, 1] > 2).sum() > 1 else "Scaled"
? ? name += " data - learning rate: {} - ".format(alpha)
? ? if batchSize == n:
? ? ? ? strDescType = "Gradient" ?# 批量梯度下降
? ? elif batchSize == 1:
? ? ? ? strDescType = "Stochastic" ?# 隨機梯度下降
? ? else:
? ? ? ? strDescType = "Mini-batch ({})".format(batchSize) ?# 小批量梯度下降
? ? name += strDescType + " descent - Stop: "
? ? if stopType == STOP_ITER:
? ? ? ? strStop = "{} iterations".format(thresh)
? ? elif stopType == STOP_COST:
? ? ? ? strStop = "costs change < {}".format(thresh)
? ? else:
? ? ? ? strStop = "gradient norm < {}".format(thresh)
? ? name += strStop
? ? print("***{}\nTheta: {} - Iter: {} - Last cost: {:03.2f} - Duration: {:03.2f}s".format(
? ? ? ? name, theta, iter, costs[-1], dur))
? ? 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
?
?
path = 'data' + os.sep + 'LogiReg_data.txt'
pdData = pd.read_csv(path, header=None, names=['Exam 1', 'Exam 2', 'Admitted'])
positive = pdData[pdData['Admitted'] == 1]
negative = pdData[pdData['Admitted'] == 0]
?
# 畫圖觀察樣本情況
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')
?
pdData.insert(0, 'Ones', 1)
?
# 劃分訓練數據與標簽
orig_data = pdData.values
cols = orig_data.shape[1]
X = orig_data[:, 0:cols - 1]
y = orig_data[:, cols - 1:cols]
# 設置初始參數0
theta = np.zeros([1, 3])
?
# 選擇的梯度下降方法是基于所有樣本的
n = 100
runExpe(orig_data, theta, n, STOP_ITER, thresh=5000, alpha=0.000001)
runExpe(orig_data, theta, n, STOP_COST, thresh=0.000001, alpha=0.001)
runExpe(orig_data, theta, n, STOP_GRAD, thresh=0.05, alpha=0.001)
runExpe(orig_data, theta, 1, STOP_ITER, thresh=5000, alpha=0.001)
runExpe(orig_data, theta, 1, STOP_ITER, thresh=15000, alpha=0.000002)
runExpe(orig_data, theta, 16, STOP_ITER, thresh=15000, alpha=0.001)
?
from sklearn import preprocessing as pp
?
# 數據預處理
scaled_data = orig_data.copy()
scaled_data[:, 1:3] = pp.scale(orig_data[:, 1:3])
?
runExpe(scaled_data, theta, n, STOP_ITER, thresh=5000, alpha=0.001)
runExpe(scaled_data, theta, n, STOP_GRAD, thresh=0.02, alpha=0.001)
theta = runExpe(scaled_data, theta, 1, STOP_GRAD, thresh=0.002 / 5, alpha=0.001)
runExpe(scaled_data, theta, 16, STOP_GRAD, thresh=0.002 * 2, alpha=0.001)
?
?
# 設定閾值
def predict(X, theta):
? ? return [1 if x >= 0.5 else 0 for x in model(X, theta)]
?
?
# 計算精度
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))邏輯回歸的優缺點
優點
- 形式簡單，模型的可解釋性非常好。從特征的權重可以看到不同的特征對最后結果的影響，某個特征的權重值比較高，那么這個特征最后對結果的影響會比較大。
- 模型效果不錯。在工程上是可以接受的（作為baseline)，如果特征工程做的好，效果不會太差，并且特征工程可以大家并行開發，大大加快開發的速度。
- 訓練速度較快。分類的時候，計算量僅僅只和特征的數目相關。并且邏輯回歸的分布式優化sgd發展比較成熟，訓練的速度可以通過堆機器進一步提高，這樣我們可以在短時間內迭代好幾個版本的模型。
- 資源占用小,尤其是內存。因為只需要存儲各個維度的特征值。
- 方便輸出結果調整。邏輯回歸可以很方便的得到最后的分類結果，因為輸出的是每個樣本的概率分數，我們可以很容易的對這些概率分數進行cutoff，也就是劃分閾值(大于某個閾值的是一類，小于某個閾值的是一類)。
缺點
- 準確率并不是很高。因為形式非常的簡單(非常類似線性模型)，很難去擬合數據的真實分布。
- 很難處理數據不平衡的問題。舉個例子：如果我們對于一個正負樣本非常不平衡的問題比如正負樣本比 10000:1.我們把所有樣本都預測為正也能使損失函數的值比較小。但是作為一個分類器，它對正負樣本的區分能力不會很好。
- 處理非線性數據較麻煩。邏輯回歸在不引入其他方法的情況下，只能處理線性可分的數據，或者進一步說，處理二分類的問題 。
- 邏輯回歸本身無法篩選特征。有時候，我們會用gbdt來篩選特征，然后再上邏輯回歸。
原文鏈接：https://blog.csdn.net/CHERISHGF/article/details/121775129
相關推薦
- 2022-10-21 C++?smart?pointer全面深入講解_C 語言
- 2021-12-09 JQuery選擇器詳解_jquery
- 2022-10-29 node-sass安裝失敗解決方法
- 2022-08-21 HTTP協議詳細介紹_其它綜合
- 2023-01-02 Oracle中sql語句如何執行日志查詢_MsSql
- 2022-11-19 Gogs遷移
- 2022-04-17 論一次 taro小程序分包優化經歷，小程序體積過大的優化
- 2022-05-27 Python?nonlocal關鍵字?與?global?關鍵字解析_python
- 最近更新
-
- window11 系統安裝 yarn
- 超詳細win安裝深度學習環境2025年最新版（
- Linux 中運行的top命令 怎么退出？
- MySQL 中decimal 的用法？ 存儲小
- get 、set 、toString 方法的使
- @Resource和 @Autowired注解
- Java基礎操作-- 運算符，流程控制 Flo
- 1. Int 和Integer 的區別，Jav
- spring @retryable不生效的一種
- Spring Security之認證信息的處理
- Spring Security之認證過濾器
- Spring Security概述快速入門
- Spring Security之配置體系
- 【SpringBoot】SpringCache
- Spring Security之基于方法配置權
- redisson分布式鎖中waittime的設
- maven:解決release錯誤：Artif
- restTemplate使用總結
- Spring Security之安全異常處理
- MybatisPlus優雅實現加密？
- Spring ioc容器與Bean的生命周期。
- 【探索SpringCloud】服務發現-Nac
- Spring Security之基于HttpR
- Redis 底層數據結構-簡單動態字符串（SD
- arthas操作spring被代理目標對象命令
- Spring中的單例模式應用詳解
- 聊聊消息隊列，發送消息的4種方式
- bootspring第三方資源配置管理
- GIT同步修改后的遠程分支
提供CDN加速