Logistic回归

Posted 2020-10-06

利用Logistic回归进行分类的思想就是：根据现有数据对分类边界线建立回归公式，以此进行分类。该算法最重要的就是要找到最佳拟合参数集。

本文介绍二值型输出分类器的数学原理。

针对这类问题：接收输入，输出为两个类别，这里假设为0和1，具有这样性质，且数学上容易处理的函数，有Sigmoid函数（S形函数）。

首先加载数据集：

def loadDataSet():
    dataMat = []
    labelMat = []
    fr = open(‘/Users/Desktop/testSet.txt‘)
    for line in fr.readlines():
        lineArr = line.strip().split()
        dataMat.append([1.0, float(lineArr[0]), float(lineArr[1])])  # 1.0 为常数项
        labelMat.append(int(lineArr[2]))
    return dataMat,labelMat

 S形函数，输入为inX，输出为计算后的值，属于区间(0,1)

def sigmoid(inX):
    return 1.0 / (1 + np.exp(-inX))

 梯度下降（批处理）用python代码实现

def gradAscent(dataMatIn, classLabels):
    dataMatrix = np.mat(dataMatIn)   # 转化为Numpy矩阵，方便计算
    labelMatix = np.mat(classLabels).transpose()
    m,n = np.shape(dataMatrix)  # mxn
    alpha = 0.001   # 设置步长
    maxCycles = 500  # 迭代次数
    weights = np.ones((n,1))  # 参数初始化为1（列向量 n）
    for k in range(maxCycles):
        h = sigmoid(dataMatrix * weights)  # mx1
        error = (labelMatix - h) # mx1
        weights = weights + alpha * dataMatrix.transpose() * error
    return  weights

 下面用python的matplotlib画出决策边界，确定不同类别数据之间的分隔线：

def plotBestFit(weights):
    dataMat, labelMat = loadDataSet()
    dataArr = np.array(dataMat)
    n = np.shape(dataArr)[0]  # 数据集中数据的数量
    xcord1 = []; ycord1 = []
    xcord0 = []; ycord0 = []
    for i in range(n):
        if int(labelMat[i]) == 1:
            xcord1.append(dataArr[i,1]); ycord1.append(dataArr[i,2])
        else:
            xcord0.append(dataArr[i,1]); ycord0.append(dataArr[i,2])
    fig = plt.figure()
    ax = fig.add_subplot(111)
    ax.scatter(xcord1,ycord1,s = 30,c = ‘red‘, marker=‘s‘)
    ax.scatter(xcord0,ycord0,s = 30,c = ‘green‘)
    x = np.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()

 输出的图片如下：

 从上图可以看出分类的效果相当不错，但每次更新回归系数时都需要遍历整个数据集，当数据集相当庞大的时候计算量将不可想象。改进的方法是一次仅用一个样本点来更新回归系数，这种方法称为随机梯度上升算法，代码如下：

def stocGradAscent0(dataMatrix, classLabels):
    m,n = np.shape(dataMatrix)
    alpha = 0.01
    weights = np.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

 

可以看出拟合的效果明显没有之前那么好，进而对随机梯度上升算法进一步做了如下优化：

# 改进的随机梯度上升算法
def stocGradAscent1(dataMatrix, classLabels, numIter = 150):  # numIter为指定的迭代次数(针对整个数据集而言)
    m,n = np.shape(dataMatrix)
    weights = np.ones(n)
    for j in range(numIter):
        dataIndex = list(range(m))
        for i in range(m):
            alpha = 4 /(1 + i + j) + 0.01  # 每次迭代调整alpha
            randIndex = int(random.uniform(0,len(dataIndex))) # 随机选取样本更新回归系数，减少周期性波动
            h = sigmoid(sum(dataMatrix[randIndex] * weights))
            error = classLabels[randIndex] - h
            weights = weights + alpha * error * dataMatrix[randIndex]
            del(dataIndex[randIndex])
    return weights

 主要做了两处调整：

1> 每次迭代都会对步长alpha进行调整，虽然alpha会随着迭代次数增加不断变小，但永远不会减小到0，因为有一个常数项0.01，这是为了保证在多次迭代后新数据仍然具有一定的影响。

2> 为了减少周期性波动，随机选取样本来更新回归系数。 下面是改进后输出的图片，从图中可以看出分隔线达到了与批处理梯度下降差不多的效果，但所使用的计算量更少。