机器学习--Logistics
摘要
1. Logistic回归分类
2. 梯度下降法
3. 代码实现与解释
Logistic回归
逻辑斯特回归（logistic regression）是一种非常经典的分类方法。其用到的分类函数一般为Sigmoid函数，其函数形式为：
其图形表示如下：
从图中我们可以看到，当z=0时，函数值为0.5。随着z值的增加，对应的函数值将逼近于1；随着z值的减小，函数值将逼近于0。
因此为了实现logistic回归，对于样本，我们可以在每个特征上乘以一个回归系数，然后将所有的结果值相加，将总和带入sigmoid函数中，进而得到一个范围在0~1之间的数值。大于0.5的数据被分到1类，小于0.5的即被分到0类。
二分类问题
对于Logistic回归中的二分类问题，当我们给定数据样本x时，其被分到1类和0类的条件概率分别为：
其中，
那么上式就可改写为：
我们现在需要做的，就是怎么来确定模型中的参数w呢？
模型参数估计
在Logistic回归参数学习中，对于给定的训练数据集T=｛(x1,y1),(x2,y2),...(xN,yN)｝，我们用极大似然估计法估计模型参数w，从而得到logistic回归模型。
当我们对L(w)求得极大值，也就得到了参数w的估计值。
这样，问题就变成了以对数似然估计为目标函数的最优化问题。而我们解决这个问题我们一般采用梯度下降法和拟牛顿法。
多分类问题
当然，上述的logistic模型同样可以推广到多分类问题。设Y的取值为｛1，2，3,...K｝，那么回归模型即为：
梯度下降法
梯度下降法可以解决上面对于参数w的优化问题。
梯度下降法是一种迭代算法，通过选取适当的初始值，不断迭代，对参数值不断更新，进行目标函数的极小化，直到收敛。由于负梯度方向是函数值减小最快的方向，所以在迭代的每一步，我们向负梯度方向更新参数值，从而减小函数值。
梯度算法的迭代公式为：
其中：
同理，梯度上升法，就是向梯度方向移动，以求得函数的极大值
随机梯度下降法
在实现梯度下降法时，我们发现在进行梯度下降法的回归系数更新时需要遍历整个数据集，如果样本或者特征过多的话，这种方法计算复杂度太高。
有一种改进的方法，就是一次我们只随机用一个样本点来更新回归系数，那么该方法就叫做随机梯度下降法。
这两种算法在下面的代码部分都有实现，读者可以自行参考。
求解回归系数w的方法除了上面提到的梯度下降法，还有拟牛顿法，想要详细了解的同学可以见《统计学习方法》附录B。
上面一部分，我们系统地从分类函数讲到怎么确定优化目标函数，再到怎么解优化目标函数。
至此我们就完成了Logistic回归原理部分的学习。下面是代码部分。
代码实现
1.回归梯度上升优化算法
程序清单：
from numpy import *
# 打开文本文件函数
def loadDataSet():
dataMat=[];labelMat=[]
# 打开文本文件
fr=open(‘testSet.txt‘)
# 逐行读取
for line in fr.readlines():
# 对文本进行处理,处理为一个列表
lineArr=line.strip().split()
# 加到dataMat中，并把第一个值设为1.0
dataMat.append([1.0,float(lineArr[0]),float(lineArr[1])])
# 求得类别标签
labelMat.append(int(lineArr[2]))
print(len(labelMat))
return dataMat,labelMat
# 利用sigmoid函数进行计算
def sigmoid(inX):
return 1.0/(1+exp(-inX))
# 梯度上升算法
# dataMatIn里存放的是特征，但是第一列都为1.0，实际上为100*3的矩阵
# classLabels里存放的是类别标签，1*100的行向量
def gradAscent(dataMatIn,classLabels):
# 转换为Numpy矩阵类型
dataMatrix=mat(dataMatIn)
# 转化为矩阵类型并求转置
labelMat=mat(classLabels).transpose()
# 求得矩阵大小
m,n=shape(dataMatrix)
# alpha是目标移动的步长
alpha=0.01
# 设置迭代次数
maxCycle=500
# 权重初始化为1
weights=ones((n,1))
for k in range(maxCycle):
# 注意，这里h是一个m*1的列向量
h=sigmoid(dataMatrix*weights)
# 求得误差
error=(labelMat-h)
# 更新权重
weights = weights+alpha*dataMatrix.transpose()*error
return weights2.画出数据集最佳拟合直线
程序清单：
# 作图
def plotBestFit():
import matplotlib.pyplot as plt
dataMat,labelMat=loadDataSet()
weights = gradAscent(dataMat,labelMat)
dataArr=array(dataMat)
# 得到数据的样本数
n=shape(dataArr)[0]
xcord1=[];ycord1=[]
xcord2=[];ycord2=[]
# 将样本分成两类，放到列表中
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)
# 两个种类用不同的颜色表示
ax.scatter(xcord1,ycord1,s=30,c=‘red‘,marker=‘s‘)
ax.scatter(xcord2,ycord2,s=30,c=‘green‘)
# 标注X轴的范围与步长
x=arange(-4.0,4.0,0.1)
#x = mat(x)
# 表示出分界线的方程
y=(-weights[0]-weights[1]*x)/weights[2]
print(y.shape)
ax.plot(x,y.transpose())
# 坐标名称
plt.xlabel(‘X1‘);plt.ylabel(‘X2‘)
plt.show()
plotBestFit()3.随机梯度上升算法
程序清单:
def stocGradAscent(dataMatrix,classLabels):
#为便于计算，转为Numpy数组
dataMat=array(dataMatrix)
获取数据集的行数和列数
m,n=shape(dataMatrix)
#初始化权值向量各个参数为1.0
weights=ones(n)
#设置步长为0.01
alpha=0.01
#循环m次，每次选取数据集一个样本更新参数
for i in range(m):
#计算当前样本的sigmoid函数值
h=sigmoid(dataMatrix[i]+weights)
#计算当前样本的残差(代替梯度)
error=(classLabels[i]-h)
#更新权值参数
weights=weights+alpha*error*dataMatrix[i]
return weights4.改进的随机梯度上升算法
我们知道，评判一个优化算法的优劣的可靠方法是看其是否收敛，也就是说参数的值是否达到稳定值。此外，当参数值接近稳定时，仍然可能会出现一些小的周期性的波动。这种情况发生的原因是样本集中存在一些不能正确分类的样本点(数据集并非线性可分)，所以这些点在每次迭代时会引发系数的剧烈改变，造成周期性的波动。显然我们希望算法能够避免来回波动，从而收敛到某个值，并且收敛速度也要足够快。
程序清单：
def stocGradAscent1(dataMatrix,classLabels,numIter=150):
#将数据集列表转为Numpy数组
#dataMat=array(dataMatrix)
#获取数据集的行数和列数
m,n=shape(dataMat)
#初始化权值参数向量每个维度均为1
weights=ones(n)
#循环每次迭代次数
for j in range(numIter):
#获取数据集行下标列表
dataIndex = list(range(m))
#print(dataIndex)
#遍历行列表
for i in range(m):
#每次更新参数时设置动态的步长，且为保证多次迭代后对新数据仍然具有一定影响
#添加了固定步长0.1
alpha=4/(1.0+j+i)+0.1
#随机获取样本
randomIndex=int(random.uniform(0,len(dataIndex)))
#计算当前sigmoid函数值
h=sigmoid(sum(dataMat[randomIndex]*weights))
#计算权值更新
#***********************************************
error=classLabels[randomIndex]-h
weights=array(weights)+alpha*error*array(dataMat[randomIndex])
#***********************************************
#选取该样本后，将该样本下标删除，确保每次迭代时只使用一次
del (dataIndex[randomIndex])
return weights
stocGradAscent1(dataMat,labelMat,numIter=150)5.用Logistic回归进行分类
程序清单：
#sigmoid()分类函数
def classifyVector(inX,weights):
prob=sigmoid(sum(inX*weights))
# 值如果大于0.5，归为1.0类
if(prob>0.5):return 1.0
else:return 0.0
def colicTest():
# 打开训练集合
frTrain=open(r‘C:\\Users\Administrator\Desktop\MliA‘
‘\MLiA_SourceCode\machinelearninginaction\Ch05 horseColicTraining.txt‘)
# 打开测试集合
frTest=open(r‘C:\\Users\Administrator\Desktop\MliA‘
‘\MLiA_SourceCode\machinelearninginaction\Ch05\horseColicTest.txt‘)
# 初始化训练集和标签的列表
trainingSet=[]
trainingLabels=[]
for line in frTrain.readlines():
# 对训练集的数据格式化处理
currLine=line.strip().split(‘\t‘)
lineArr=[]
for i in range(21):
# 将每一行的特征数据放到lineArr中
lineArr.append(float(currLine[i]))
# 再将lineArr作为列表放到trainingSet中
trainingSet.append(lineArr)
# 将标签放到trainingLabels中
trainingLabels.append(float(currLine[21]))
# 得到训练集的权重
trainWeights=stocGraAscent1(array(trainingSet),trainingLabels,500)
errorCount=0;numTestVec=0.0
# 对测试集进行测试
for line in frTest.readlines():
# 计算测试集的个数
numTestVec+=1.0
# 对测试数据进行格式化处理
currLine=line.strip().split(‘\t‘)
lineArr=[]
for i in range(21):
lineArr.append(float(currLine[i]))
# 如果学习出来的结果和真实结果不一致，则错误数加一
if(int(classifyVector(array(lineArr),trainWeights))!=int(currLine[21])):
errorCount+=1
# 计算错误率
errorRate=(float(errorCount)/numTestVec)
print(‘the error rate of this test is %f‘%errorRate)
return errorRate
# 调用colicTest()函数多次，计算错误率的平均值
def multiTest():
numTests=10
errorSum=0.0
for k in range(numTests):
errorSum+=colicTest()
print(‘after %d iterations the arrange error rate is:%f‘
% (numTests,errorSum/float(numTests)))