Python語言描述機(jī)器學(xué)習(xí)之Logistic回歸算法

更新時(shí)間：2017年12月21日 15:25:55 作者：Holy Null

這篇文章主要介紹了Python語言描述機(jī)器學(xué)習(xí)之Logistic回歸算法，涉及Sigmoid函數(shù)，梯度上升法等相關(guān)內(nèi)容，具有一定借鑒價(jià)值，需要的朋友可以參考下。

本文介紹機(jī)器學(xué)習(xí)中的Logistic回歸算法，我們使用這個(gè)算法來給數(shù)據(jù)進(jìn)行分類。Logistic回歸算法同樣是需要通過樣本空間學(xué)習(xí)的監(jiān)督學(xué)習(xí)算法，并且適用于數(shù)值型和標(biāo)稱型數(shù)據(jù)，例如，我們需要根據(jù)輸入數(shù)據(jù)的特征值（數(shù)值型）的大小來判斷數(shù)據(jù)是某種分類或者不是某種分類。

一、樣本數(shù)據(jù)

在我們的例子中，我們有這樣一些樣本數(shù)據(jù)：

樣本數(shù)據(jù)有3個(gè)特征值：X0X0，X1X1，X2X2

我們通過這3個(gè)特征值中的X1X1和X2X2來判斷數(shù)據(jù)是否符合要求，即符合要求的為1，不符合要求的為0。

樣本數(shù)據(jù)分類存放在一個(gè)數(shù)組中

我們在logRegres.py文件中編寫如下函數(shù)來準(zhǔn)備數(shù)據(jù)，并將數(shù)據(jù)打印觀察一下：

#coding=utf-8
from numpy import *
def loadDataSet():
 dataMat = []; labelMat = []
 fr = open('testSet.txt')
 for line in fr.readlines():
  lineArr = line.strip().split()
  dataMat.append([1.0, float(lineArr[0]), float(lineArr[1])])
  labelMat.append(int(lineArr[2]))
 return dataMat,labelMat
if __name__=='__main__':
 dataMat,labelMat=loadDataSet()
 print 'dataMat:\n',dataMat

我們來觀察一下這個(gè)數(shù)據(jù)樣本：

dataMat:
[[1.0, -0.017612, 14.053064], [1.0, -1.395634, 4.662541], [1.0, -0.752157, 6.53862], [1.0, -1.322371, 7.152853], [1.0, 0.423363, 11.054677], [1.0, 0.406704, 7.067335], [1.0, 0.667394, 12.741452], [1.0, -2.46015, 6.866805], [1.0, 0.569411, 9.548755], [1.0, -0.026632, 10.427743], [1.0, 0.850433, 6.920334], [1.0, 1.347183, 13.1755], [1.0, 1.176813, 3.16702], [1.0, -1.781871, 9.097953], [1.0, -0.566606, 5.749003], [1.0, 0.931635, 1.589505], [1.0, -0.024205, 6.151823], [1.0, -0.036453, 2.690988], [1.0, -0.196949, 0.444165], [1.0, 1.014459, 5.754399], [1.0, 1.985298, 3.230619], [1.0, -1.693453, -0.55754], [1.0, -0.576525, 11.778922], [1.0, -0.346811, -1.67873], [1.0, -2.124484, 2.672471], [1.0, 1.217916, 9.597015], [1.0, -0.733928, 9.098687], [1.0, -3.642001, -1.618087], [1.0, 0.315985, 3.523953], [1.0, 1.416614, 9.619232], [1.0, -0.386323, 3.989286], [1.0, 0.556921, 8.294984], [1.0, 1.224863, 11.58736], [1.0, -1.347803, -2.406051], [1.0, 1.196604, 4.951851], [1.0, 0.275221, 9.543647], [1.0, 0.470575, 9.332488], [1.0, -1.889567, 9.542662], [1.0, -1.527893, 12.150579], [1.0, -1.185247, 11.309318], [1.0, -0.445678, 3.297303], [1.0, 1.042222, 6.105155], [1.0, -0.618787, 10.320986], [1.0, 1.152083, 0.548467], [1.0, 0.828534, 2.676045], [1.0, -1.237728, 10.549033], [1.0, -0.683565, -2.166125], [1.0, 0.229456, 5.921938], [1.0, -0.959885, 11.555336], [1.0, 0.492911, 10.993324], [1.0, 0.184992, 8.721488], [1.0, -0.355715, 10.325976], [1.0, -0.397822, 8.058397], [1.0, 0.824839, 13.730343], [1.0, 1.507278, 5.027866], [1.0, 0.099671, 6.835839], [1.0, -0.344008, 10.717485], [1.0, 1.785928, 7.718645], [1.0, -0.918801, 11.560217], [1.0, -0.364009, 4.7473], [1.0, -0.841722, 4.119083], [1.0, 0.490426, 1.960539], [1.0, -0.007194, 9.075792], [1.0, 0.356107, 12.447863], [1.0, 0.342578, 12.281162], [1.0, -0.810823, -1.466018], [1.0, 2.530777, 6.476801], [1.0, 1.296683, 11.607559], [1.0, 0.475487, 12.040035], [1.0, -0.783277, 11.009725], [1.0, 0.074798, 11.02365], [1.0, -1.337472, 0.468339], [1.0, -0.102781, 13.763651], [1.0, -0.147324, 2.874846], [1.0, 0.518389, 9.887035], [1.0, 1.015399, 7.571882], [1.0, -1.658086, -0.027255], [1.0, 1.319944, 2.171228], [1.0, 2.056216, 5.019981], [1.0, -0.851633, 4.375691], [1.0, -1.510047, 6.061992], [1.0, -1.076637, -3.181888], [1.0, 1.821096, 10.28399], [1.0, 3.01015, 8.401766], [1.0, -1.099458, 1.688274], [1.0, -0.834872, -1.733869], [1.0, -0.846637, 3.849075], [1.0, 1.400102, 12.628781], [1.0, 1.752842, 5.468166], [1.0, 0.078557, 0.059736], [1.0, 0.089392, -0.7153], [1.0, 1.825662, 12.693808], [1.0, 0.197445, 9.744638], [1.0, 0.126117, 0.922311], [1.0, -0.679797, 1.22053], [1.0, 0.677983, 2.556666], [1.0, 0.761349, 10.693862], [1.0, -2.168791, 0.143632], [1.0, 1.38861, 9.341997], [1.0, 0.317029, 14.739025]]
labelMat:
[0, 1, 0, 0, 0, 1, 0, 1, 0, 0, 1, 0, 1, 0, 1, 1, 1, 1, 1, 1, 1, 1, 0, 1, 1, 0, 0, 1, 1, 0, 1, 1, 0, 1, 1, 0, 0, 0, 0, 0, 1, 1, 0, 1, 1, 0, 1, 1, 0, 0, 0, 0, 0, 0, 1, 1, 0, 1, 0, 1, 1, 1, 0, 0, 0, 1, 1, 0, 0, 0, 0, 1, 0, 1, 0, 0, 1, 1, 1, 1, 0, 1, 0, 1, 1, 1, 1, 0, 1, 1, 1, 0, 0, 1, 1, 1, 0, 1, 0, 0]

樣本數(shù)據(jù)dataMat的第一列，也就是我們的特征值X0X0全部為1，這個(gè)問題我們之后在計(jì)算回歸參數(shù)時(shí)需要注意理解。所有的樣本數(shù)據(jù)一共100條，對應(yīng)的分類結(jié)果也是100個(gè)。

那么，我們現(xiàn)在的問題是：
我們要找到樣本空間中的特征值與分類結(jié)果的關(guān)系。設(shè)計(jì)一個(gè)函數(shù)或者功能，實(shí)現(xiàn)在輸入一組特征值后，能夠根據(jù)樣本空間特征值與分類結(jié)果的關(guān)系，自動(dòng)為輸入的數(shù)據(jù)進(jìn)行分類，即得到結(jié)果要么是1，要么是0。

二、Sigmoid函數(shù)

為了解決上一節(jié)我們提到的問題，我們這里先介紹一下Sigmoid函數(shù)：

這個(gè)函數(shù)有如下幾個(gè)特征：

當(dāng)z=0z=0時(shí)，值為0.50.5
當(dāng)zz不斷增大時(shí)，值將趨近于1
當(dāng)zz不斷減小時(shí)，值將趨近于0
我們來看一下函數(shù)的曲線圖：

我們?nèi)绻麑颖究臻g的3個(gè)特征值X0X0、X1X1和X2X2的值代入到函數(shù)中，計(jì)算出一個(gè)結(jié)果。那么這個(gè)結(jié)果將是接近與我們的分類結(jié)果的（0到1之間的一個(gè)數(shù)值）。如果這個(gè)結(jié)果接近0那么我們就認(rèn)為分類為0，如果結(jié)果接近1我們就認(rèn)為分類為1。

以什么方式代入到函數(shù)中呢？其實(shí)簡單的相加就可以，因?yàn)閦z不斷增大或者減小時(shí)，函數(shù)的值就相應(yīng)的趨近于1或者0。我們使z=x0+x1+x2z=x0+x1+x2

但是實(shí)際的情況是我們的計(jì)算結(jié)果和實(shí)際的分類值，會有誤差，甚至是完全不正確。為了矯正這個(gè)問題，我們?yōu)闃颖究臻g的3個(gè)特征值X0X0、X1X1和X2X2，一一定義一個(gè)回歸系數(shù)w0w0、w1w1和w2w2，使這個(gè)誤差減小。即使z=w0x0+w1x1+w2x2

其實(shí)不難想象，這組ww回歸系數(shù)的值決定了我們計(jì)算結(jié)果的準(zhǔn)確性，甚至是正確性。也就是說，這組ww的值反應(yīng)了樣本空間分類的規(guī)則。
那么，我們在輸入一組樣本之外的數(shù)據(jù)時(shí)，配合正確的ww回歸系數(shù)，我們就能得到比較接近樣本空間分類規(guī)則的分類結(jié)果。
問題又來了，我們怎么來得到這樣一組ww回歸系數(shù)呢？

三、梯度上升法

梯度上升法，是在函數(shù)的梯度方向上，不斷的迭代計(jì)算參數(shù)值，以找到一個(gè)最大的參數(shù)值。迭代公式如下：

其中，αα為步長，Δσ(w)Δσ(w)為σ(w)σ(w)函數(shù)梯度。關(guān)于梯度的推導(dǎo)請參考這里。作者的數(shù)學(xué)能力有限，就不做說明了。

最后，我們可以得到梯度的計(jì)算公式：

那么，迭代公式如下：

公式說明：

wk+1wk+1為本次迭代XX特征項(xiàng)的回歸系數(shù)結(jié)果
wkwk為上一次迭代XX特征項(xiàng)的回歸系數(shù)結(jié)果
αα為每次迭代向梯度方向移動(dòng)的步長
xixi為XX特征項(xiàng)中第i個(gè)元素
yiyi是樣本中第i條記錄的分類樣本結(jié)果
σ(xi,wk)σ(xi,wk)是樣本中第i條記錄，使用sigmoid函數(shù)和wkwk作為回歸系數(shù)計(jì)算的分類結(jié)果
[yi−σ(xi,wk)][yi−σ(xi,wk)]是樣本第i條記錄對應(yīng)的分類結(jié)果值,與sigmoid函數(shù)使用wkwk作為回歸系數(shù)計(jì)算的分類結(jié)果值的誤差值。

現(xiàn)在，我們有了計(jì)算回歸系數(shù)的公式，下面我們在logRegres.py文件中來實(shí)現(xiàn)一個(gè)函數(shù)，實(shí)現(xiàn)計(jì)算樣本空間的回歸系數(shù)，并打印一下我們的結(jié)果：

def gradAscent(dataMatIn, classLabels):
 dataMatrix = mat(dataMatIn)    #100行3列
 #print dataMatrix
 labelMat = mat(classLabels).transpose() #100行1列
 #print 'labelMat:\n',labelMat
 print 'labelMat 的形狀:rowNum=',shape(labelMat)[0],'colNum=',shape(labelMat)[1]
 rowNum,colNum = shape(dataMatrix)
 alpha = 0.001
 maxCycles = 500
 weights = ones((colNum,1)) #3行1列
 #print shape(dataMatrix)
 #print shape(weights)
 #print shape(labelMat)
 for k in range(maxCycles):    #heavy on matrix operations
  h = sigmoid(dataMatrix*weights)  #100行1列
  #print h
  error = (labelMat - h)    #vector subtraction
  weights = weights + alpha * dataMatrix.transpose()* error #3行1列
 return weights
if __name__=='__main__':
 dataMat,labelMat=loadDataSet()
 #weights=gradAscent(dataMat,labelMat)
 #print 'dataMat:\n',dataMat
 #print 'labelMat:\n',labelMat
 print weights

打印結(jié)果:

回歸系數(shù)：
[[ 4.12414349]
 [ 0.48007329]
 [-0.6168482 ]]

為了驗(yàn)證我們計(jì)算的回顧系數(shù)的準(zhǔn)確性，我們觀察一下樣本空間的散點(diǎn)圖和回歸系數(shù)的擬合曲線。我們以z(x1,x2)=w0+w1x1+w2x2作為我們的擬合函數(shù)，在坐標(biāo)系中畫出它的擬合曲線。以樣本空間中X1X1和X2X2的值作為橫坐標(biāo)和縱坐標(biāo)，畫出樣本空間的散點(diǎn)。代碼如下：

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]
 y = y.transpose()
 ax.plot(x, y)
 plt.xlabel('X1'); plt.ylabel('X2');
 plt.show()
if __name__=='__main__':
 dataMat,labelMat=loadDataSet()
 weights=gradAscent(dataMat,labelMat)
 print '回歸系數(shù)：\n',weights
 plotBestFit(weights)

運(yùn)行后，我們得到如下圖片：

通過我們的觀察，我們的這個(gè)回歸系數(shù)的算法還是比較準(zhǔn)確的，擬合曲線將樣本數(shù)據(jù)分成兩部分，并且符合樣本的分類規(guī)則。

接下來，我們來實(shí)現(xiàn)一個(gè)分類器，并測試這個(gè)分類器：

def classify0(targetData,weights):
 v = sigmoid(targetData*weights)
 if v>0.5:
  return 1.0
 else :
  return 0
def testClassify0():
 dataMat,labelMat=loadDataSet()
 examPercent=0.7
 row,col=shape(dataMat)
 exam=[]
 exam_label=[]
 test=[]
 test_label=[]
 for i in range(row):
  if i < row*examPercent:
   exam.append(dataMat[i])
   exam_label.append(labelMat[i])
  else:
   test.append(dataMat[i])
   test_label.append(labelMat[i])
 weights=gradAscent(exam,exam_label)
 errCnt=0
 trow,tcol=shape(test)
 for i in range(trow):
  v=int(classify0(test[i],weights))
  if v != int(test_label[i]):
   errCnt += 1
   print '計(jì)算值：',v,' 原值',test_label[i]
 print '錯(cuò)誤率：',errCnt/trow
if __name__=='__main__':
 #dataMat,labelMat=loadDataSet()
 #weights=gradAscent(dataMat,labelMat)
 ##print 'dataMat:\n',dataMat
 ##print 'labelMat:\n',labelMat
 #print '回歸系數(shù)：\n',weights
 #plotBestFit(weights)
 testClassify0()

分類器的實(shí)現(xiàn)很簡單。我們使用之前的樣本數(shù)據(jù)中的70條數(shù)據(jù)作為我們測試的樣本數(shù)據(jù)，計(jì)算出回歸系數(shù)。然后用分類器對剩下的30條記錄進(jìn)行分類，然后將結(jié)果和樣本數(shù)據(jù)進(jìn)行對比。最后打印出錯(cuò)誤率。我們可以看到，錯(cuò)誤率是0，近乎完美！我們可以修改測試樣本在原樣本空間的比例多測試幾遍。那么，結(jié)論是我們的算法的準(zhǔn)確率還不錯(cuò)！

那么，到這里問題就解決了嗎？好像還差一點(diǎn)什么。我們來仔細(xì)研究一下我們計(jì)算回歸系數(shù)的方法，不難發(fā)現(xiàn)，這個(gè)過程中我們用樣本數(shù)據(jù)組成的矩陣進(jìn)行了矩陣乘法。也就是說，為了計(jì)算回歸系數(shù)，我們遍歷了整個(gè)樣本數(shù)據(jù)。

我們的問題又來了，我們例子中的樣本數(shù)據(jù)只有100條，如果處理成千上萬的樣本數(shù)據(jù)，我們的計(jì)算回歸系數(shù)的函數(shù)的計(jì)算復(fù)雜度會直線上升。下面我們來看看如何優(yōu)化這個(gè)算法。

四、優(yōu)化梯度上升算法——隨機(jī)梯度上升法

我們在理解了回歸系數(shù)迭代計(jì)算的公式

和我們實(shí)現(xiàn)的程序之后。我們將計(jì)算回歸系數(shù)的方法進(jìn)行如下改進(jìn)：

def stocGradAscent0(dataMatrix, classLabels):
 m,n = shape(dataMatrix)
 alpha = 0.01
 weights = ones((n,1)) #initialize to all ones
 for i in range(m):
  h = sigmoid(sum(dataMatrix[i]*weights))
  error = classLabels[i] - h
  weights = weights + alpha * error * mat(dataMatrix[i]).transpose()
 return weights

每一次迭代計(jì)算回歸系數(shù)時(shí)，只使用樣本空間中的一個(gè)樣本點(diǎn)來計(jì)算。我們通過程序生成一個(gè)樣本散點(diǎn)和擬合曲線的圖來看一下這個(gè)算法的準(zhǔn)確程度：

不難看出跟之前的算法相差還是比較大的。原因是之前的算法是通過500次迭代算出的結(jié)果，后者只經(jīng)過了100次迭代。那么這里要說明的問題是，回歸系數(shù)在隨著迭代次數(shù)的增加是趨于收斂的，并且收斂的過程是存在波動(dòng)的。說白了，就是迭代的次數(shù)越多，越接近我們想要的那個(gè)值，但是由于樣本的數(shù)據(jù)是非線性的，這個(gè)過程也會有一定的誤差。具體的回歸系數(shù)和迭代次數(shù)的關(guān)系大家可以參考一些教材，例如《機(jī)器學(xué)習(xí)實(shí)戰(zhàn)》中的描述，這里就不做詳細(xì)介紹了。
我們這里只介紹一下如何改進(jìn)我們的算法，使我們的算法能夠快速的收斂并減小波動(dòng)。方法如下：

每次迭代隨機(jī)的抽取一個(gè)樣本點(diǎn)來計(jì)算回歸向量
迭代的步長隨著迭代次數(shù)增大而不斷減少，但是永遠(yuǎn)不等于0

改進(jìn)代碼，并打印出擬合曲線和樣本散點(diǎn)圖：

def stocGradAscent1(dataMatrix, classLabels, numIter=150):
 m,n = shape(dataMatrix)
 weights = ones((n,1)) #initialize to all ones
 for j in range(numIter):
  dataIndex = range(m)
  for i in range(m):
   alpha = 4/(1.0+j+i)+0.0001 #apha decreases with iteration, does not 
   randIndex = int(random.uniform(0,len(dataIndex)))#go to 0 because of the constant
   h = sigmoid(sum(dataMatrix[randIndex]*weights))
   error = classLabels[randIndex] - h
   weights = weights + alpha * error * mat(dataMatrix[randIndex]).transpose()
   del(dataIndex[randIndex])
 return weights
if __name__=='__main__':
 dataMat,labelMat=loadDataSet()
 #weights=stocGradAscent0(dataMat,labelMat)
 weights=stocGradAscent1(dataMat,labelMat)
 #weights=gradAscent(dataMat,labelMat)
 #print 'dataMat:\n',dataMat
 #print 'labelMat:\n',labelMat
 #print '回歸系數(shù)：\n',weights
 plotBestFit(weights)
 #testClassify0()

默認(rèn)是150迭代的樣本散點(diǎn)圖和擬合曲線圖：

不難看出準(zhǔn)確程度與第一個(gè)算法很接近了！

五、總結(jié)

Logistic回歸算法主要是利用了Sgimoid函數(shù)來為數(shù)據(jù)分類，分類的準(zhǔn)確的關(guān)鍵取決于從樣本空間中計(jì)算出的回歸系數(shù)。我們使用梯度上升法來計(jì)算回歸系數(shù)，并采用隨機(jī)梯度上升法來改進(jìn)了算法的性能。

以上就是本文關(guān)于Python語言描述機(jī)器學(xué)習(xí)之Logistic回歸算法的全部內(nèi)容，希望對大家有所幫助。感興趣的朋友可以繼續(xù)參閱本站其他Python和算法相關(guān)專題，如有不足之處，歡迎留言指出。感謝朋友們對本站的支持！

您可能感興趣的文章: