机器学习实战-Logistic回归
2017-05-25 本文已影响0人
mov觉得高数好难
假设现在有一些数据点，我们用一条直线对这些点进行拟合（该条线路为最佳拟合直线），这条拟合过程就称做回归。
基于Logistic回归和Sigmoid函数的分类
优点：计算代价不高，易于理解和实现
容易欠拟合，分类精度可能不高
适用数据类型：数值型和标称型数据
梯度上升算法的基本思想：要找到某函数的最大值，最好的方法就是沿着该函数的梯度方法搜寻。
#5-1 Logistic回归梯度上升优化算法
from numpy import *
def loadDataSet():
dataMat = []; labelMat = []
fr = open("testSet.txt")
for line in fr.readlines():
lineArr = line.strip().split()#按空格分
dataMat.append([1.0,float(lineArr[0]),float(lineArr[1])])
labelMat.append(int(lineArr[2]))
return dataMat,labelMat
def sigmoid(inX):
return 1.0/(1+exp(-inX))
def gradAscent(dataMatIn,classLabels):
dataMatrix = mat(dataMatIn)
labelMat = mat(classLabels).transpose()#转化为numpy矩阵
m,n = shape(dataMatrix)
alpha = 0.001#步长
maxCycles = 500#迭代次数
weights = ones((n,1))
for k in range(maxCycles):
h = sigmoid(dataMatrix*weights)#列向量
error = (labelMat - h)#真实类别和预测类别的差值
weights = weights + alpha*dataMatrix.transpose()*error
return weights
看看实际效果
import logRegres
dataArr,labelMat=logRegres.loadDataSet()
logRegres.gradAscent(dataArr,labelMat)
Out[70]:
matrix([[ 4.12414349],
[ 0.48007329],
[-0.6168482 ]])
#画出决策边界
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()
#运行代码
import logRegres
#dataArr,labelMat=logRegres.loadDataSet()
#logRegres.gradAscent(dataArr,labelMat)
weights = logRegres.gradAscent(dataArr,labelMat)
logRegres.plotBestFit(weights.getA())
梯度上升算法500次迭代
梯度上升算法在每次更新回归系数时，都需要遍历整个数据集，该方法在处理100个左右的数据集时尚可，但如果有数十亿样本和成千上万的特征的时候，那么该算法的时间复杂度就偏高了。一种改进方法就是一次仅使用一个样本点来更新回归系数，该方法称作梯度上升算法：
所有回归系数初始化为1
对数据集中每个样本
计算该样本的梯度
使用alpha*gradient更新回归系数
返回回归系数值
5-4随机梯度上升算法
def stocGradAscent0(dataMatrix, classLabels):
m,n = shape(dataMatrix)
alpha = 0.01
weights = ones(n)
for i in range(m):
h = sigmoid(sum(dataMatrix))
error = classLabels[i] - h
weights = ones(n)
for i in range(m):
h = sigmoid(sum(dataMatrix[i]*weights))
error = classLabels[i] - h
weights = weights + alpha*error*dataMatrix[i]
return weights
虽然与梯度上升算法有很多相似，但是还是有一些区别：
①后者h和error都是向量，前者都是数值；
②前者没有矩阵的转化过程，所有的变量的数据类型都是NumPy数组
#运行代码
from numpy import *
import logRegres
dataArr,labelMat=logRegres.loadDataSet()
weights = logRegres.stocGradAscent0(array(dataArr),labelMat)
logRegres.plotBestFit(weights)
随机梯度上升算法，最佳拟合直线并非最佳分类线
但其实结果并不公平，判断一个优化算法优劣的可靠方法是看他是否收敛，也就是说参数是否达到稳定值，是否还会不断的变化。下面我们对程序进行了改进
#5-4 改进的随机梯度上升算法
def stocGradAscent1(dataMatrix, classLabels,numIter=150):
m,n = shape(dataMatrix)
weights = ones(n)
for j in range(numIter):
dataIndex = range(m)
for i in range(m):
alpha = 4/(1.0+j+i)+0.0001#每次调整，不会变为0
randIndex = int(random.uniform(0,len(dataIndex)))#随机更新
h = sigmoid(sum(dataMatrix[randIndex]*weights))
error = classLabels[randIndex] - h
weights = weights + alpha*error*dataMatrix[randIndex]
del(dataIndex[randIndex])
return weights
#运行代码
from numpy import *
import logRegres
dataArr,labelMat=logRegres.loadDataSet()
weights = logRegres.stocGradAscent1(array(dataArr),labelMat)
logRegres.plotBestFit(weights)
改进的随机梯度上升算法
结果和之前图相似，但是计算量更少
默认迭代次数是150，当然也可以修改
weights = logRegres.stocGradAscent1(array(dataArr),labelMat,500)
下面我们尝试从疝气病症预测病马的死亡率，数据包含368 个样本和28个特征。其中30%是缺失的
下面我们开始对数据进行预处理
第一，所有确实值必须使用一个实数值来替代，因为我们使用的NumPy数据类型不允许包含缺失值，这里使用0替代，回归系统的更新公式如下：
weights = weights + alpha*error*dataMatrix[randIndex]
如果dataMatrix的某特征对应值为0，那么该特征的系数将不做更新：、
weights = weights
预处理第二件事就是丢弃已经确实类别标签的数据
#5-5
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 = stocGradAscent1(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))
#运行函数
from numpy import *
import logRegres
logRegres.multiTest()
runfile('E:/上学/机器学习实战/5.最佳回归系数/logRegres-1.py', wdir='E:/上学/机器学习实战/5.最佳回归系数')
Reloaded modules: logRegres
logRegres.py:19: RuntimeWarning: overflow encountered in exp
return 1.0/(1+exp(-inX))
the error rate of this test is: 0.417910
the error rate of this test is: 0.358209
the error rate of this test is: 0.298507
the error rate of this test is: 0.343284
the error rate of this test is: 0.298507
the error rate of this test is: 0.417910
the error rate of this test is: 0.298507
the error rate of this test is: 0.417910
the error rate of this test is: 0.417910
the error rate of this test is: 0.432836
after 10 iterations the average error rate is: 0.370149
最后平均错误率约37%，由于有30%的数据缺失，这个结果还是很乐观的。
随机梯度上升算法与梯度上升算法效果相当，但占用的资源更少，此外，随机梯度上升算法是一个在线算法，它可以在新数据到来时就完成参数更新，而不需要重新读取整个数据集
