【機器學習】邏輯迴歸基礎知識+程式碼實現
1. 基本概念
邏輯迴歸用於二分類,將對輸入的線性表示對映到0和1之間,輸出為label為1的概率。
優點:實現代價低,可輸出分類概率。適用於資料線性不可分。
缺點:容易欠擬合,分類精度可能不高,且僅限二分類。
使用資料型別:數值型和標稱資料。
邏輯迴歸本質也是線性迴歸,但是是將線性迴歸對映到0/1分類上,因此邏輯迴歸用於分類。
2. 公式推導
單個輸入樣本為 ,第一項為1是為了直接把截距b加入到權重w矩陣中,方便計算。為正確的標籤類別。共有m個樣本。
迴歸函式:
屬於不同類別的概率:
則分類正確的概率:
則對於所有樣本,分類正確的最大似然估計為:
取對數:
即損失函式為上述對數似然函式,我們的目標是最大化對數似然函式(也可以是最小化負對數似然函式)。
已知損失函式關於w的導數為:
(推導過程如下圖)(該結果與LMS類似)
由於是最大化問題,則權重更新公式為梯度上升更新公式:
3. 訓練細節
3.1 梯度上升 vs 隨機梯度上升
梯度上升:在整個資料集(訓練集)上計算一次損失函式,更新一次權重。
隨機梯度上升:對於每個樣本,都更新一次權重。
簡單的梯度上升,由於異常點的存在可能會減緩收斂且造成資料較大的波動。因此引入隨機梯度上升。
3.2 隨機梯度上升改進
1) 進行多輪,即引入迭代次數。提升分類準確率。
2) 隨著訓練的進行,改變步長alpha(類似於深度學習裡面的對學習率的自適應)。
初始時alpha較大,隨著進行論述的增加,alpha減小。加快收斂的同時,可減緩資料的波動。
3) 每次SGA時,隨機選取樣本點用於計算梯度,也減緩了資料的波動。
3.3 缺失資料的處理
若對於樣本資料,每個特徵值缺失,解決方法有:
- 使用可用特徵均值填補缺失特徵;
- 使用特殊值來填補缺失特徵,一般取特徵值不會取到的值(比如正常特徵值為整數的話,則可取-1);
- 使用相似樣本的均值填補缺失特徵;
- 忽略帶有缺失特徵值的樣本;
- 使用其他ML方法預測缺失值。
對於邏輯迴歸,
特徵值缺失:一般填補缺失值為0,因為:一方面當x為0時,其對應的特徵係數w不會更新,另一方面因為sigmoid(0) = 0.5, 即為中性概率,不會影響任何一端的判斷。
類別標籤缺失:直接捨棄該條樣本資料。不適用於KNN。
4. 程式碼實現
參考:《機器學習實戰》
原始碼地址以及資料:https://github.com/JieruZhang/MachineLearninginAction_src
from numpy import *
import random
import matplotlib.pyplot as plt
#加在資料集
def loadDataSet():
dataMat = []
labelMat = []
fr = open('testSet.txt')
for line in fr.readlines():
lineArr = line.strip().split()
#為了便於截距b的計算,在資料集首尾加了一項1.0
dataMat.append([1.0, float(lineArr[0]), float(lineArr[1])])
labelMat.append(int(lineArr[2]))
return dataMat, labelMat
#sigmoid函式
def sigmoid(inX):
return 1.0/(1+exp(-inX))
#梯度上升
def gradAscent(dataMatIn, classLabels):
dataMatrix = mat(dataMatIn)
labelMat = mat(classLabels).transpose()
m,n = shape(dataMatrix)
alpha = 0.001#移動步長,學習率
maxCircles = 150#迭代次數
weights = ones((n,1))
for k in range(maxCircles):
h = sigmoid(dataMatrix*weights)
#該處推導見博文
error = labelMat-h
weights = weights + alpha*dataMatrix.transpose()*error
return weights
#隨機梯度上升基本函式
def stoGradAscent0(dataMatrix,classLabels, numIter=150):
m,n = shape(dataMatrix)
alpha = 0.001
weights = ones(n)
for _ in range(numIter):
for i in range(m):
h = sigmoid(sum(dataMatrix[i]*weights))
error = classLabels[i] - h
weights = weights + alpha*error*dataMatrix[i]
return weights
#隨機梯度上升改進函式
#共3處改進:多輪隨機梯度下降,每次更新權重是在隨機選取的樣本電上,步長alpha隨著訓練的進行逐漸減小(開始時較大)。(即自適應學習率)
def stoGradAscent1(dataMatrix, classLabels, numIter=150):
m, n = shape(dataMatrix)
weights = ones(n)
for j in range(numIter):
for i in range(m):
alpha = 4/(1.0+i+j) + 0.01
#隨機選取計算梯度使用的樣本點
randIndex = random.randint(0,m-1)
h = sigmoid(sum(dataMatrix[randIndex]*weights))
error = classLabels[randIndex] - h
weights = weights + alpha*error*dataMatrix[randIndex]
return weights
#視覺化分類效果:畫出決策邊界
def plotBestFit(weights):
import matplotlib.pyplot as plt
dataMat,labelMat=loadDataSet()
dataArr = array(dataMat)
n = shape(dataArr)[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=30, c='red', marker='s')
ax.scatter(xcord2, ycord2, 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()
#測試不同優化演算法所得到的分類器分類效果
dataArr, labelMat = loadDataSet()
weights0 = gradAscent(dataArr, labelMat)
plotBestFit(weights0.getA())
weights1 = stoGradAscent0(array(dataArr), labelMat)
plotBestFit(weights1)
weights2 = stoGradAscent1(array(dataArr), labelMat)
plotBestFit(weights2)
#預測病馬的死亡率
#分類
def classifyVector(inX, weights):
prob = sigmoid(sum(inX*weights))
if prob > 0.5:
return 1.0
else:
return 0.0
def colicTest():
frTrain = open('horseColicTraining.txt'); frTest = open('horseColicTest.txt')
trainingSet = []; trainingLabels = []
for line in frTrain.readlines():
currLine = line.strip().split('\t')
lineArr =[]
for i in range(21):
lineArr.append(float(currLine[i]))
trainingSet.append(lineArr)
trainingLabels.append(float(currLine[21]))
trainWeights = stoGradAscent1(array(trainingSet), trainingLabels, 1000)
errorCount = 0; numTestVec = 0.0
for line in frTest.readlines():
numTestVec += 1.0
currLine = line.strip().split('\t')
lineArr =[]
for i in range(21):
lineArr.append(float(currLine[i]))
if int(classifyVector(array(lineArr), trainWeights))!= int(currLine[21]):
errorCount += 1
errorRate = (float(errorCount)/numTestVec)
print ("the error rate of this test is: %f" % errorRate)
return errorRate
def multiTest():
numTests = 10; errorSum=0.0
for k in range(numTests):
errorSum += colicTest()
print ("after %d iterations the average error rate is: %f" % (numTests, errorSum/float(numTests)))
multiTest()