机器学习算法-逻辑回归实现

机器学习算法-逻辑回归实现

机器学习算法-逻辑回归实现

• 一、逻辑回归算法初步理解
• 二、代码实现
• • 1.数据集处理
  • 2.创建model
• 总结

一、逻辑回归算法初步理解

逻辑回归不是解决回归任务，是为了解决分类任务。通过wx>0和wx<0可以直接判断出样本类别。

二、代码实现 1.数据集处理

from math import exp
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

#数据集
def create_data():
    iris = load_iris()
    df = pd.Dataframe(iris.data, columns=iris.feature_names)
    df['label'] = iris.target
    df.columns = ['sepal length', 'sepal width', 'petal length', 'petal width', 'label']
    data = np.array(df.iloc[:100, [0,1,-1]])
    # print(data)
    return data[:,:2], data[:,-1]
X, y = create_data()
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)

2.创建model

class Logist_Regression:
    def __init__(self,max_iter=200,learning_rate=0.01):
        self.iter=max_iter
        self.lr=learning_rate
    #sigmoid函数
    def sigmoid(self,x):
        return 1/(1+exp(-x))
    #data_matrix的作用主要事为了添加一列，将b作为参数
    def data_matrix(self, X):
        #data_mat列表：[[1.0, 6.8, 2.8], [1.0, 5.4, 3.4], [1.0, 5.0, 3.4]，....]
        data_mat = []
        for d in X:
            #*d的用法
            data_mat.append([1.0, *d])
        return data_mat
    #训练
    def fit(self,X,y):
        data_mat=self.data_matrix(X)
        #np.zeros(3)为[1.0,1.0,1.0] np.zeros(3,1)为[[1.0],[1.0],[1.0]]
        self.w=np.zeros((len(data_mat[0]),1),dtype=np.float32)
        #迭代数
        for iter_ in range(self.iter):
            #每次迭代一个样本
            for i in range(len(X)):
                #计算概率
                result=self.sigmoid(np.dot(data_mat[i],self.w))
                #损失函数公式的一部分
                error=y[i]-result
                #更新w,加转置是为了符合w的shape(3，1）
                self.w+=self.lr*error*np.transpose([data_mat[i]])
                print("Logistic_Regression(learing_rate={},max_iter={}".format(self.lr,iter_))
    #预测
    def score(self,x_test,y_test):
        right=0
        x_test=self.data_matrix(x_test)
        for x,y in zip(x_test,y_test):
            result=np.dot(x,self.w)
            #只要z大于0且y=1或者z小于0且y=0,则预测正确
            if(result>0 and y==1) or (result<0 and y==0):
                right+=1
        return right/len(x_test)
#实例化model
model=Logist_Regression()
#训练
model.fit(X_train,y_train)
#预测得分
print(model.score(X_test,y_test))

代码细节：
由于我们在梯度下降时需要去更新参数，而参数w往往会有很多个比如w=[w1,w2,w3,w4],用向量的方式去把他们储存起来，再去更新好比一个一个更新效率高很多，这也是矩阵并行的一个优势。
函数data_matrix起到的作呕用就是添加一列，这一列就是将1与偏置b相乘得到b，从而更新b。

#data_matrix的作用主要事为了添加一列，将b作为参数
    def data_matrix(self, X):
        #data_mat列表：[[1.0, 6.8, 2.8], [1.0, 5.4, 3.4], [1.0, 5.0, 3.4]，....]
        data_mat = []
        for d in X:
            #*d的用法
            data_mat.append([1.0, *d])
        return data_mat

注：矩阵的shape(3,1）和(3,)是不同的概念。前者秩rank为2，后者rank为1。
矩阵维度理解
transpose用法：

import numpy as np
a=np.array([[1,2,3]])
print(a)
print(a.shape)
b=np.transpose(a)
print(b.shape)
print(b)

输出：

[[1 2 3]]
(1, 3)
(3, 1)
[[1]
 [2]
 [3]]

总结

1.参数与数据进行内积时需要保持维度符合矩阵乘法。