逻辑回归与决策边界

what？

逻辑回归其实是一个分类算法而不是回归算法。通常是利用已知的自变量来预测一个离散型因变量的值（像二进制值0/1，是/否，真/假）。简单来说，它就是通过拟合一个逻辑函数（logit fuction）来预测一个事件发生的概率。所以它预测的是一个概率值，自然，它的输出值应该在0到1之间。

Logistic回归简单分析:

优点：计算代价不高，易于理解和实现
　　缺点：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

基本原理

按照我自己的理解，可以简单的描述为这样的过程：

找一个合适的预测函数，一般表示为h函数，该函数就是我们需要找的分类函数，它用来预测输入数据的判断结果。这个过程时非常关键的，需要对数据有一定的了解或分析，知道或者猜测预测函数的“大概”形式，比如是线性函数还是非线性函数。
借助sigmoid函数构造出的预测函数形式一般为：

$h_{θ} (x) = g (θ^{_{T}} x) = \frac{1}{1 + e^{- θ^{T} x}}$ $h_{\theta }(x) = g(\theta ^{_{T}}x) = \frac{1}{1+e^{-\theta ^{T}x}}$
其中sigmoid函数为:
构造一个Cost函数（损失函数），该函数表示预测的输出（h）与训练数据类别（y）之间的偏差，可以是二者之间的差（h-y）或者是其他的形式。cost函数为：

$C o s t (h_{θ} x, y) = {\begin{cases} - l o g (h_{θ} (x)) & if y = 1 \\ - l o g (1 - h_{θ} (x)) & if y = 0 \end{cases}$ $Cost(h_{\theta }x,y) = \begin{cases} -log(h_{\theta }(x))& \text{ if } y=1 \\ -log(1-h_{\theta }(x))& \text{ if } y=0 \end{cases}$
综合考虑所有训练数据的“损失”，将Cost求和或者求平均，记为J(θ)函数，表示所有训练数据预测值与实际类别的偏差。J(θ函数一般为：
$J (θ) = - \frac{1}{m} [\sum_{i = 1}^{m} (y_{i} l o g h_{θ} (x_{i}) + (1 - y_{i}) l o g (1 - h_{θ} (x_{i})))]$ $J(\theta ) = -\frac{1}{m}[\sum_{i=1}^{m}(y_{i}logh_{\theta }(x_{i})+(1-y_{i})log(1-h_{\theta }(x_{i})))]$

显然，J(θ)函数的值越小表示预测函数越准确（即h函数越准确），所以这一步需要做的是找到J(θ)函数的最小值。找函数的最小值有不同的方法，Logistic Regression实现时用的是梯度下降法（Gradient Descent）。
关于详细的公式推导就不介绍了

伪代码

初始化线性函数参数为1
构造sigmoid函数
重复循环I次
   计算数据集梯度
   更新线性函数参数
确定最终的sigmoid函数
输入训练（测试）数据集
运用最终sigmoid函数求解分类

代码实现

逻辑回归的python代码：

import numpy as np
   from sklearn.metrics import accuracy_score

   class LogisticRegression:

   def __init__(self):
       """初始化Logistic Regression模型"""
       self.coef_ = None
       self.intercept_ = None
       self._theta = None

   def _sigmoid(self, t):
       return 1.0 / (1.0 + np.exp(-t))

   def fit(self, X_train, y_train, eta=0.01, n_iters=1e4):
       """根据训练数据集X_train, y_train, 使用梯度下降法训练Logictic Regression模型"""
       assert X_train.shape[0] == y_train.shape[0], \
           "the size of X_train must be equal to the size of y_train"

       def J(theta, X_b, y):
           y_hat = self._sigmoid(X_b.dot(theta))
           try:
               return -np.sum(y*np.log(y_hat) + (1-y)*np.log(1-y_hat)) / len(y)
           except:
               return float('inf')
       '''逻辑回归'''
       def dJ(theta, X_b, y):
           return X_b.T.dot(self._sigmoid(X_b.dot(theta)) - y) / len(X_b)

       '''梯度下降法'''
       def gradient_descent(X_b, y, initial_theta, eta, n_iters=1e4, epsilon=1e-8):

           theta = initial_theta
           cur_iter = 0

           while cur_iter < n_iters:
               gradient = dJ(theta, X_b, y)
               last_theta = theta
               theta = theta - eta * gradient
               if (abs(J(theta, X_b, y) - J(last_theta, X_b, y)) < epsilon):
                   break

               cur_iter += 1

           return theta

       X_b = np.hstack([np.ones((len(X_train), 1)), X_train])
       initial_theta = np.zeros(X_b.shape[1])
       self._theta = gradient_descent(X_b, y_train, initial_theta, eta, n_iters)

       self.intercept_ = self._theta[0]
       self.coef_ = self._theta[1:]

       return self

   def predict_proba(self, X_predict):
       """给定待预测数据集X_predict，返回表示X_predict的结果概率向量"""
       assert self.intercept_ is not None and self.coef_ is not None, \
           "must fit before predict!"
       assert X_predict.shape[1] == len(self.coef_), \
           "the feature number of X_predict must be equal to X_train"

       X_b = np.hstack([np.ones((len(X_predict), 1)), X_predict])
       return self._sigmoid(X_b.dot(self._theta))

   def predict(self, X_predict):
       """给定待预测数据集X_predict，返回表示X_predict的结果向量"""
       assert self.intercept_ is not None and self.coef_ is not None, \
           "must fit before predict!"
       assert X_predict.shape[1] == len(self.coef_), \
           "the feature number of X_predict must be equal to X_train"

       proba = self.predict_proba(X_predict)
       return np.array(proba >= 0.5, dtype='int')

   def score(self, X_test, y_test):
       """根据测试数据集 X_test 和 y_test 确定当前模型的准确度"""

       y_predict = self.predict(X_test)
       ''''分类的准确度'''
       return accuracy_score(y_test, y_predict)

   def __repr__(self):
       return "LogisticRegression()

上述结果为本次测试数据,可以看出来该数据集其实是三维的数据，因为逻辑回归只能解决二分类的问题，因此取数据集中的前两维数据，作为两种类别，因此使用该数据集可以用来判断逻辑回归测试结果的好坏
测试代码：

from playML.model_selection import train_test_split
from playML.LogisticRegression import LogisticRegression

x_train, x_test, y_train, y_test = train_test_split(x, y, seed=666)
log_reg = LogisticRegression()
log_reg.fit(x_train, y_train)
log_reg.score(x_test, y_test)
log_reg.predict_proba(x_test)

输出的测试结果：

array([0.92972035, 0.98664939, 0.14852024, 0.17601199, 0.0369836 ,0.0186637 , 0.04936918, 0.99669244, 0.97993941, 0.74524655,0.04473194, 0.00339285, 0.26131273, 0.0369836 , 0.84192923,0.79892262, 0.82890209, 0.32358166, 0.06535323, 0.20735334])
对于上述简单的测试数据，输出的array中的数据表示将某个数据分类成某一类别的概率，越接近于0就越趋近于分类成0这个类别，同理越趋近与1，就越趋近于分类成1，最后的分类的测试值输出为1.

决策边界

怎么对新输入的数据进行预测分类呢？
每输入一个值 $x^{_{b}}$ ，与\theta ^{T}点乘， $x^{_{b}}$ · $\theta ^{T}$ >0，p>0.5， $x^{_{b}}$ · $\theta ^{T}$ <0，p<0.5,这样就能实类别的分类。当 $x^{_{b}}$ · $\theta ^{T}$ =0就称为该分类的决策边界。
然后使用上面简单的数据集，绘制决策边界，其实也就是分类的边界，当有新的数据的时候骡子坳那边就分类为该类别。

def x2(x1):
return (-log_reg.coef_[0] * x1 - log_reg.intercept_) / log_reg.coef_[1]
x1_plot = np.linspace(4, 8, 1000)
x2_plot = x2(x1_plot)
plt.scatter(x[y==0,0], x[y==0,1], color='red')
plt.scatter(x[y==1,0], x[y==1,1], color='blue')
plt.plot(x1_plot, x2_plot)
plt.show()

得到的结果如下：

决策边界

上述的决策边界是一条直线，所以不严格的说还是属于线性分类，当分类数据不线性的时候就需要不规则的决策边界。
举个例子使用KNN算法来对上述数据进行分类：

from sklearn.neighbors import KNeighborsClassifier

knn_clf = KNeighborsClassifier()
knn_clf.fit(x_train, y_train)
knn_clf.score(x_test, y_test)
plot_decision_boundary(knn_clf, axis=[4, 7.5, 1.5, 4.5])
plt.scatter(x[y==0,0], x[y==0,1])
plt.scatter(x[y==1,0], x[y==1,1])
plt.show()

结果如下：
KNN
可以看出通过使用KNN方法对上述数据的决策边界就是不规则的
因为KNN是支持多类别数据的分类的，然后我们的数据集也是3中类别的，所以测试下KNN在三分类中的分类的效果。

knn_clf_all = KNeighborsClassifier()
knn_clf_all.fit(iris.data[:,:2], iris.target)
# 欠拟合
plot_decision_boundary(knn_clf_all, axis=[4, 8, 1.5, 4.5])
plt.scatter(iris.data[iris.target==0,0], iris.data[iris.target==0,1])
plt.scatter(iris.data[iris.target==1,0], iris.data[iris.target==1,1])
plt.scatter(iris.data[iris.target==2,0], iris.data[iris.target==2,1])
plt.show()

得到的结果如下：
KNN-3

可以看出分类的结果是非常的不规则的，其实也就是应该是发生了过拟合的问题。
对于KNeighborsClassifier()这个函数其实其中有一个参数是可以调节的,就是n_neighbors这个参数，可以直接运行 knn_clf_all = KNeighborsClassifier()查看其中的参数，n_neighbors这个参数的含义其实就是分类的复杂程度，越小的话越复杂，就容易出现过拟合的问题。这里调节下这个参数看一下效果，设置knn_clf_all = KNeighborsClassifier(n_neighbors = 50)，其余代码相同
得到的结果如下:
KNN-n_50

明显能够看出来决策边界规则了许多，但是相应的分类效果弱了一些，所以调参，调参。
上面的数据集是可以线性分类的，当数据的类别线性不可分的时候，逻辑回归的方式怎么去处理呢？举个例子：
非线性数据

当数据集是这样的，显然线性不可分，决策边界是不规则类似于圆。其实这个时候就需要类似于使用多项式回归的方式来处理。给逻辑回归中添加多项式。

from sklearn.pipeline import Pipeline
from sklearn.preprocessing import PolynomialFeatures
from sklearn.preprocessing import StandardScaler
from playML.LogisticRegression import LogisticRegression

log_reg = LogisticRegression()

def plot_decision_boundary(model, axis):

x0, x1 = np.meshgrid(
np.linspace(axis[0], axis[1], int((axis[1]-axis[0])*100)).reshape(-1,1),
np.linspace(axis[2], axis[3], int((axis[3]-axis[2])*100)).reshape(-1,1)
)
X_new = np.c_[x0.ravel(), x1.ravel()]

y_predict = model.predict(X_new)
zz = y_predict.reshape(x0.shape)

from matplotlib.colors import ListedColormap
custom_cmap = ListedColormap(['#EF9A9A','#FFF59D','#90CAF9'])

plt.contourf(x0, x1, zz, linewidth=5, cmap=custom_cmap)

#多项式
def PolynomialLogisticRegression(degree):
return Pipeline([
('poly', PolynomialFeatures(degree=degree)),  #多项式参数
('std_scaler', StandardScaler()),   #标准化（归一化）
('log_reg', LogisticRegression())  #逻辑回归对象
])

poly_log_reg = PolynomialLogisticRegression(degree=2)
poly_log_reg.fit(X, y)
plot_decision_boundary(poly_log_reg, [-4, 4, -4, 4])
plt.scatter(X[y==0,0], X[y==0,1])
plt.scatter(X[y==1,0], X[y==1,1])
plt.show()
print("准确度：" + str(poly_log_reg.score(X, y)))

得到如下的结果：
非线性LR

可以看出添加了多项式的逻辑回归可以解决非线性可分的问题。

逻辑回归中使用正则化处理过拟合的问题

因为数据线性不可分的时候，需要在逻辑回归中引入多项式，这也使得分类变得复杂，容桂产生过拟合的问题，解决方法有两个，一个是调节degree参数，另一种就是正则化。通用的正则化的方式就是在J(θ)函数中加一个正则项，使用J(θ）+aL2作为新的损失函数。a用来调节J(θ)和L2各自所占比重。这里C·J(θ）+L1作为所示函数，其实C也是用来平衡J(θ)和L1，原理是一样的。L1和L2是正则化中的一个重要的参数。

from sklearn.linear_model import LogisticRegression

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=666)

def PolynomialLogisticRegression2(degree, C, penalty='l2'):
return Pipeline([
('poly', PolynomialFeatures(degree=degree)),
('std_scaler', StandardScaler()),
('log_reg', LogisticRegression(C=C, penalty=penalty))
])

poly_log_reg2 = PolynomialLogisticRegression2(degree=10, C=13, penalty='l1')
poly_log_reg2.fit(X_train, y_train)

plot_decision_boundary(poly_log_reg2, [-4, 4, -4, 4])
plt.scatter(X[y==0,0], X[y==0,1])
plt.scatter(X[y==1,0], X[y==1,1])
plt.show()

说实话这里选取的数据集的代表性不太够，没有太突出正则化的优点，注重点在方法的实现上，但是还是能看出有一点区别的，决策边界更加清楚了。

机器学习之逻辑回归（Logistic Regression）与决策边界详解与实现

逻辑回归与决策边界

what？

基本原理

伪代码

代码实现

决策边界

逻辑回归中使用正则化处理过拟合的问题

猜你喜欢