逻辑回归模型 判断男女

逻辑回归模型 判断男女 小记

2022.4.18
参考张觉非的书的 ch04章，

将ADLINE模型的阶跃函数替换成为Logistic函数，并对其线性部分施加对数损失，就得到了逻辑回归模型。

训练目标

训练一个模型， 给出一个人的身高、体重和体脂率，判断男女。 使用对数损失函数作为损失函数，用Logistic函数作为最后一层的激活函数。

知识

ADLINE模型是先计算线性部分 wx+b， 再对线性部分与类别标签（1/-1）的乘积施加感知机损失，从而得到损失值。感知机损失是当 l ∗ ( w ∗ x + b ) l*(w*x+b) l∗(w∗x+b) 大于等于0时模型分类正确，损失值为0，表示不惩罚，否则分类错误，损失值为 ∣ l ∗ ( w ∗ x + b ) ∣ |l*(w*x+b)| ∣l∗(w∗x+b)∣ ,越高表示惩罚越严厉。

同时对它对线性部分施加阶跃函数得到了模型的输出：1为男，0为女。

本篇想做的事情

1. 把计算损失函数的方法从 从 感知机损失 换为 对数损失

​ 改进原因：希望损失值在输入大于0时仍有惩罚，但惩罚较小，即希望训练能够将 l ∗ ( w ∗ x + b ) l*(w*x+b) l∗(w∗x+b) 推得更远离x轴。

​

2. 把用来计算预测值的激活函数 从 阶跃函数 换为Logistic函数 p = 1 1 + e − ( w x + b ) p=\frac{1}{1+e^{-(wx+b)}} p=1+e−(wx+b)1​

   改进原因：这时把p 限制在了0-1之间，可以设0.5为分界线进行判定。 如图所示，Logistic函数可以看成是连续光滑版的阶跃函数

代码更新

1. 在 上篇优化器 的代码上改。
2. 增加 了激活函数模块 增加 Logistic类，损失函数模块增加LogLoss类
3. 最后预测结果将1/0结果转化成1/-1结果，好与训练标签的约定一致

代码框架

代码 main.py

import numpy as np
from icecream import ic
import node,ope,loss,optimizer
from graph import  default_graph

def make_test():
    # 生产测试数据
    m_h = np.random.normal(171, 6, 500)
    f_h = np.random.normal(158, 5, 500)
    m_w = np.random.normal(70, 10, 500)
    f_w = np.random.normal(57, 8, 500)
    m_bfrs = np.random.normal(16, 2, 500)
    f_bfrs = np.random.normal(22, 2, 500)

    m_labels = [1] * 500
    f_labels = [-1] * 500

    train_set = np.array([np.concatenate((m_h, f_h)),
                          np.concatenate((m_w, f_w)),
                          np.concatenate((m_bfrs, f_bfrs)),
                          np.concatenate((m_labels, f_labels))
                          ]).T

    np.random.shuffle(train_set)
    return  train_set


if __name__=='__main__':
    train_set=make_test()
    x=node.Variable(shape=(3,1))
    w=node.Variable(shape=(1,3),trainable=True)
    b=node.Variable(shape=(1,1),trainable=True)
    label=node.Variable(shape=(1,1))

    w.set_value(np.mat(np.random.normal(0,0.001,(1,3))))
    b.set_value(np.mat(np.random.normal(0,0.001,(1,1))))


    y=ope.Add(ope.MatMul(w,x),b)
    predict=ope.Logistic(y)

    # loss=loss.PerceptionLoss(ope.Multiply(label,y))
    loss=loss.LogLoss(ope.Multiply(label,y))
    learning_rate=0.01

    optimizer=optimizer.Adam(default_graph,loss,learning_rate)
    # optimizer=optimizer.GradientDescent(default_graph, loss,learning_rate)

    cur_batch_size=0  #当前
    bacth_size = 10
    for epoch in range(100):
        for i in  range(len(train_set)):
            # 输入数据
            x.set_value(np.mat(train_set[i, :-1]).T)
            label.set_value(np.mat(train_set[i,-1]))

            optimizer.forward_backward()
            cur_batch_size+=1

            if cur_batch_size==bacth_size:
                optimizer._update()
                cur_batch_size=0


        if epoch%10==0:
            pred = []
            for i in range(len(train_set)):
                # 输入数据
                x.set_value(np.mat(train_set[i, :-1]).T)
                predict.forward()
                pred.append(predict.value[0, 0])  # 模型的预测结果：1男，0女

            # 将1/0结果转化成1/-1结果，好与训练标签的约定一致
            pred=(np.array(pred)>0.5).astype(np.int)*2-1

            accuracy = (train_set[:, -1] == pred).astype(np.int).sum() / len(train_set)

            print("训练次数为:",epoch,"时，准确率为：",accuracy)