一、基本原理
逻辑回归与线性回归
Logistic Regression和Linear Regression的原理是相似的,按照我自己的理解,可以简单的描述为这样的过程:
(1)找一个合适的预测函数(Andrew Ng的公开课中称为hypothesis),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。
(2)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。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的估计,称为风险函数或期望损失函数。
(3)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实现时有的是梯度下降法(Gradient Descent)。
分类问题与Sigmoid函数
Sigmoid函数看起来很像一个阶跃函数。
海维赛德阶跃函数——heaviside step function
自变量为0,函数值为0.5
自变量趋于正无穷,函数值趋近于1
自变量趋于负无穷,函数值趋近于0
(为了实现Logistic回归分类器,我们可以在每个特征上都乘以一个回归系数,然后把所有的结果值相加,)将这个总和代入Sigmoid函数中,进而得到一个范围在0~1之间的数值。任何大于0.5的数据被分入1类,小于0.5即被归入0类。所以, Logistic回归也可以被看成是一种概率估计。
括号内的后面会讲。简单来说Sigmoid做分类器使用,逻辑回归计算出最佳拟合的回归系数。
线性回归的参数或系数
假设结果为若干属性(特征)值的线性组合
写为向量:
其中的向量x是分类器的输入数据,向量w也就是我们要找到的最佳参数
预测函数
将上两小结内容整合起来,有逻辑回归的预测函数为:
Cost函数
损失函数: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
损失函数最常见的形式就是
上标(i)表示第i个样本,而不是指数
风险函数常见形式为:
N是样本数,求θ使得J(θ)最小,这样的θ就是理想的参数,对线性回归来说θ就是理想的回归系数。
但是,对于逻辑回归(及任何二分类问题)来说,
所以我们必须找一个新的损失函数:
什么意思呢?y的真实值为1,预测值也为1时,损失为0,但预测值为0时,损失为正无穷;可类推y=0的叙述。
统一成一个式子,在某个样本上的损失函数定义为:
风险函数为:
我们可以写出这个风险函数,但是这个函数是怎么得来的?
实际上这里的Cost函数和J(θ)函数是基于最大似然估计推导得到的,本文暂时略掉这个部分。
梯度上升(下降)法求J(θ)的最小值
梯度上升法基于的思想是:要找到某函数的最大值,最好的方法是沿着该函数的梯度方向探寻。
梯度算法的迭代公式如下:
注意,(式4)是一个列向量(偏微分向量),所以以矩阵形式来写(式3)所表示的迭代公式:
求解偏微分
令
其中
梯度下降过程向量化
重新表示下
再考虑迭代公式(式3和式5),迭代公式写为:
因为有
到这里,就很简单了,X就是样本矩阵,一行是一个样本,一列是一个特征,E是每次迭代时上一个
代码实现
计算理想的回归系数
def gradientAscent(dataMat, labelMat):
'''
梯度下降求权重向量(回归系数)
:param dataMat: 训练集矩阵
:param labelMat: 标签列表
:return:
'''
dataMatrix = mat(dataMat) # convert to NumPy matrix
labelMatrix = mat(labelMat).transpose() # convert to NumPy matrix,行向量转列向量
# m:样本数,n:特征数
m, n = shape(dataMatrix)
alpha = 0.001 # 步长
# 最多循环次数
maxCycles = 500
weights = ones((n, 1)) # 单位列向量,初始化各属性的权重为1
for k in range(maxCycles):
# 数据集乘以回归系数后进入sigmoid,结果是一个列向量
h = sigmoid(dataMatrix * weights) # 这就是对样本类别的预测
# 真实值-预测值,仍是一个列向量
error = labelMatrix - h
# 将误差带入回归系数迭代公式 θ+= α*X.t*error
weights += alpha * dataMatrix.transpose() * error
return weights
问题1:sigmoid函数
def sigmoid(x):
return 1 / (1 + exp(-x))
问题2:迭代次数
这里没有考虑其他终止迭代的办法(如收敛到一定程度),而是直接固定一个迭代次数。
是可以优化的。
问题3:性能
由于每次迭代,都要用整个样本矩阵的转置去✖️当下的误差,在m和n都很大时这个计算量非常大;
测试与可视化
样本集的加载和处理
def loadDataSet() -> (list, list):
dataMat = []
labelMat = []
fr = open('testSet_logRegress.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
样本是一些只有两个属性的点及其对应的分类(0|1),在文末给出这样大家就不用再去下载了
加载完数据后,就可以用其返回值作为输入值调用gradientAscent
函数了:
if __name__ == '__main__':
dataMat, labelMat = loadDataSet()
print(dataMat)
print(labelMat)
weights = gradientAscent(dataMat, labelMat)
print(weights)
plotBestFit(weights) #调用可视化函数绘制边界划分直线
书里面的可视化的一个函数:
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()
直接用就好了
优化
对于优化(减少迭代次数,加快系数收敛),书上很清楚,书上的优化分两步走:
1、不是用样本矩阵的全量而是顺序使用每个样本来更新回归系数,样本迭代完,程序结束
def stocGradAscent0(dataMatrix, classLabels):
'''
随机梯度下降
:param dataMatrix:
:param classLabels:
:return:
'''
m, n = shape(dataMatrix)
alpha = 0.01
weights = ones(n) # initialize to all ones,这是一个一维数组,向量
# 遍历数据集,每次使用一个样本来更新回归系数
for i in range(m):
h = sigmoid(sum(dataMatrix[i] * weights))
error = classLabels[i] - h
weights += alpha * error * dataMatrix[i]
return weights
这样做显然不够好,首先结果不够好(迭代若干次后划分误差仍然很大),另外就是参数有局部波动。
2、在上一步的基础上,首先增加外围的迭代,其次步长随外围迭代不断变小,另外就是每次随机选择一个样本来更新回归系数:
def stocGradAscent1(dataMatrix, classLabels, numIter=150):
'''
改进版的随机梯度下降
:param dataMatrix:
:param classLabels:
:param numIter:
:return:
'''
m,n = shape(dataMatrix)
weights = ones(n) #initialize to all ones
# 外层迭代次数
for j in range(numIter):
dataIndex = list(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 * dataMatrix[randIndex]
del(dataIndex[randIndex]) # 去除用过的随机索引
return weights
—————-本文=书上用的样本集—————–
-0.017612 14.053064 0
-1.395634 4.662541 1
-0.752157 6.538620 0
-1.322371 7.152853 0
0.423363 11.054677 0
0.406704 7.067335 1
0.667394 12.741452 0
-2.460150 6.866805 1
0.569411 9.548755 0
-0.026632 10.427743 0
0.850433 6.920334 1
1.347183 13.175500 0
1.176813 3.167020 1
-1.781871 9.097953 0
-0.566606 5.749003 1
0.931635 1.589505 1
-0.024205 6.151823 1
-0.036453 2.690988 1
-0.196949 0.444165 1
1.014459 5.754399 1
1.985298 3.230619 1
-1.693453 -0.557540 1
-0.576525 11.778922 0
-0.346811 -1.678730 1
-2.124484 2.672471 1
1.217916 9.597015 0
-0.733928 9.098687 0
-3.642001 -1.618087 1
0.315985 3.523953 1
1.416614 9.619232 0
-0.386323 3.989286 1
0.556921 8.294984 1
1.224863 11.587360 0
-1.347803 -2.406051 1
1.196604 4.951851 1
0.275221 9.543647 0
0.470575 9.332488 0
-1.889567 9.542662 0
-1.527893 12.150579 0
-1.185247 11.309318 0
-0.445678 3.297303 1
1.042222 6.105155 1
-0.618787 10.320986 0
1.152083 0.548467 1
0.828534 2.676045 1
-1.237728 10.549033 0
-0.683565 -2.166125 1
0.229456 5.921938 1
-0.959885 11.555336 0
0.492911 10.993324 0
0.184992 8.721488 0
-0.355715 10.325976 0
-0.397822 8.058397 0
0.824839 13.730343 0
1.507278 5.027866 1
0.099671 6.835839 1
-0.344008 10.717485 0
1.785928 7.718645 1
-0.918801 11.560217 0
-0.364009 4.747300 1
-0.841722 4.119083 1
0.490426 1.960539 1
-0.007194 9.075792 0
0.356107 12.447863 0
0.342578 12.281162 0
-0.810823 -1.466018 1
2.530777 6.476801 1
1.296683 11.607559 0
0.475487 12.040035 0
-0.783277 11.009725 0
0.074798 11.023650 0
-1.337472 0.468339 1
-0.102781 13.763651 0
-0.147324 2.874846 1
0.518389 9.887035 0
1.015399 7.571882 0
-1.658086 -0.027255 1
1.319944 2.171228 1
2.056216 5.019981 1
-0.851633 4.375691 1
-1.510047 6.061992 0
-1.076637 -3.181888 1
1.821096 10.283990 0
3.010150 8.401766 1
-1.099458 1.688274 1
-0.834872 -1.733869 1
-0.846637 3.849075 1
1.400102 12.628781 0
1.752842 5.468166 1
0.078557 0.059736 1
0.089392 -0.715300 1
1.825662 12.693808 0
0.197445 9.744638 0
0.126117 0.922311 1
-0.679797 1.220530 1
0.677983 2.556666 1
0.761349 10.693862 0
-2.168791 0.143632 1
1.388610 9.341997 0
0.317029 14.739025 0