-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首先把需要处理的数据集的格式张贴一下。
我们先来看第一个函数：导入数据集
from numpy import *
def loadDataSet():
dataMat = []; labelMat = []
fr = open('testSet.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在每一行中我们按照 line.strip() 默认分割方式（空格，tab等）进行分割，然后把数据的加上1.0作为开头，这是为了方便计算的，待会会进行说明；然后把列表加载到矩阵里。并把标签存在另一个矩阵里。
一般在二维平面分类的时候，我们的直线是 ,但是放到矩阵里进行计算的话，就比较麻烦。我们把b移位到左边，生成新的表示方式：
，注意这里的X0永远是1，这样右边就是0了，在矩阵计算就只需要用到左边就行了。
然后是第二个函数：sigmoid以及梯度上升函数。
def sigmoid(inX):
return 1.0/(1+exp(-inX))
def gradAscent(dataMatIn, classLabels):
dataMatrix = mat(dataMatIn) #convert to NumPy matrix
labelMat = mat(classLabels).transpose() #convert to NumPy matrix
m,n = shape(dataMatrix)
alpha = 0.001
maxCycles = 500
weights = ones((n,1))
for k in range(maxCycles): #heavy on matrix operations
h = sigmoid(dataMatrix*weights) #matrix mult
error = (labelMat - h) #vector subtraction
weights = weights + alpha * dataMatrix.transpose()* error #matrix mult
return weights标签进行一下转置，学习率设为0.001，然后一共学习500轮。注意这里的n打印出来以后是3，代表前面每个样本的三个数值。
weights的初始值设为了(1,1,1)，然后乘出来的结果进入sigmoid函数，sigmoid函数接受一个矩阵，输出也是一个矩阵（而不仅是一个数值），我们把标签与sigmoid生成的结果相减，得到偏差error，然后通过梯度上升算法来修改weight。
简单说明一下：
对任意Xi进行求偏导，然后就可以得到后面的表达式。注意一个样本的三个数据（X0,X1,X2）在经过了上面的sigmoid函数后，值会在1——0之间。误差的意义就是判断这个值与样本的标签（二分类的时候要么是0，要么是1）的差距是多少，然后通过梯度上升进行计算。为什么是梯度上升以及为什么这么求，大家可以看别人的博客，李航的统计学习书也比较详细，李宏毅的视频里也介绍了。这里我就懒得再写了。
然后再看第三个函数：关于随机梯度上升法。
def stocGradAscent0(dataMatrix, classLabels):
m,n = shape(dataMatrix)
alpha = 0.01
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因为不再是一堆样本的矩阵相乘，这里只是数组，所以需要用到sum(dataMatrix[i]*weights)，将数值乘权重然后加起来。
然后上升的梯度也是加一个数值。
随意梯度上升可能会震荡很大，因为存在很多分类不好的数据。改进方式见第四个函数。
第四个函数：改进的随机梯度上升。
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)+0.01
randIndex = int(random.uniform(0,len(dataIndex)))
h = sigmoid(sum(dataMatrix[randIndex]*weights))
error = classLabels[randIndex] - h
weights = weights + alpha * error * dataMatrix[randIndex]
del(dataIndex[randIndex])
return weights这个代码改进了两个地方：
一是 alpha = 4/(1.0+j+i)+0.01 ，在迭代时随时调整学习率。
二是通过生成随机数来随机选择第几个样本，这里通过dataIndex = range(m)先来生成一个数组，数据变化从0到m-1，然后选中一个值后，用完将其剔除。
