1. 基本概念
逻辑回归用于二分类,将对输入的线性表示映射到0和1之间,输出为label为1的概率。
优点:实现代价低,可输出分类概率。适用于数据线性不可分。
缺点:容易欠拟合,分类精度可能不高,且仅限二分类。
使用数据类型:数值型和标称数据。
逻辑回归本质也是线性回归,但是是将线性回归映射到0/1分类上,因此逻辑回归用于分类。
2. 公式推导
单个输入样本为 ,第一项为1是为了直接把截距b加入到权重w矩阵中,方便计算。为正确的标签类别。共有m个样本。
回归函数:
属于不同类别的概率:
则分类正确的概率:
则对于所有样本,分类正确的最大似然估计为:
取对数:
即损失函数为上述对数似然函数,我们的目标是最大化对数似然函数(也可以是最小化负对数似然函数)。
已知损失函数关于w的导数为:
(推导过程如下图)(该结果与LMS类似)
由于是最大化问题,则权重更新公式为梯度上升更新公式:
3. 训练细节
3.1 梯度上升 vs 随机梯度上升
梯度上升:在整个数据集(训练集)上计算一次损失函数,更新一次权重。
随机梯度上升:对于每个样本,都更新一次权重。
简单的梯度上升,由于异常点的存在可能会减缓收敛且造成数据较大的波动。因此引入随机梯度上升。
3.2 随机梯度上升改进
1) 进行多轮,即引入迭代次数。提升分类准确率。
2) 随着训练的进行,改变步长alpha(类似于深度学习里面的对学习率的自适应)。
初始时alpha较大,随着进行论述的增加,alpha减小。加快收敛的同时,可减缓数据的波动。
3) 每次SGA时,随机选取样本点用于计算梯度,也减缓了数据的波动。
3.3 缺失数据的处理
若对于样本数据,每个特征值缺失,解决方法有:
- 使用可用特征均值填补缺失特征;
- 使用特殊值来填补缺失特征,一般取特征值不会取到的值(比如正常特征值为整数的话,则可取-1);
- 使用相似样本的均值填补缺失特征;
- 忽略带有缺失特征值的样本;
- 使用其他ML方法预测缺失值。
对于逻辑回归,
特征值缺失:一般填补缺失值为0,因为:一方面当x为0时,其对应的特征系数w不会更新,另一方面因为sigmoid(0) = 0.5, 即为中性概率,不会影响任何一端的判断。
类别标签缺失:直接舍弃该条样本数据。不适用于KNN。
4. 代码实现
参考:《机器学习实战》
源码地址以及数据:https://github.com/JieruZhang/MachineLearninginAction_src
from numpy import *
import random
import matplotlib.pyplot as plt
#加在数据集
def loadDataSet():
dataMat = []
labelMat = []
fr = open('testSet.txt')
for line in fr.readlines():
lineArr = line.strip().split()
#为了便于截距b的计算,在数据集首尾加了一项1.0
dataMat.append([1.0, float(lineArr[0]), float(lineArr[1])])
labelMat.append(int(lineArr[2]))
return dataMat, labelMat
#sigmoid函数
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#移动步长,学习率
maxCircles = 150#迭代次数
weights = ones((n,1))
for k in range(maxCircles):
h = sigmoid(dataMatrix*weights)
#该处推导见博文
error = labelMat-h
weights = weights + alpha*dataMatrix.transpose()*error
return weights
#随机梯度上升基本函数
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
#随机梯度上升改进函数
#共3处改进:多轮随机梯度下降,每次更新权重是在随机选取的样本电上,步长alpha随着训练的进行逐渐减小(开始时较大)。(即自适应学习率)
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
#随机选取计算梯度使用的样本点
randIndex = random.randint(0,m-1)
h = sigmoid(sum(dataMatrix[randIndex]*weights))
error = classLabels[randIndex] - h
weights = weights + alpha*error*dataMatrix[randIndex]
return weights
#可视化分类效果: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()
#测试不同优化算法所得到的分类器分类效果
dataArr, labelMat = loadDataSet()
weights0 = gradAscent(dataArr, labelMat)
plotBestFit(weights0.getA())
weights1 = stoGradAscent0(array(dataArr), labelMat)
plotBestFit(weights1)
weights2 = stoGradAscent1(array(dataArr), labelMat)
plotBestFit(weights2)
#预测病马的死亡率
#分类
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()