python實現(xiàn)梯度下降求解邏輯回歸
更新時間：2022年07月30日 15:43:07 作者：CHERISHGF
這篇文章主要為大家詳細介紹了python實現(xiàn)梯度下降求解邏輯回歸，文中示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下
本文實例為大家分享了python實現(xiàn)梯度下降求解邏輯回歸的具體代碼，供大家參考，具體內(nèi)容如下
對比線性回歸理解邏輯回歸，主要包含回歸函數(shù)，似然函數(shù)，梯度下降求解及代碼實現(xiàn)
線性回歸
1.線性回歸函數(shù)
似然函數(shù)的定義：給定聯(lián)合樣本值X下關(guān)于(未知)參數(shù)
的函數(shù)
似然函數(shù)：什么樣的參數(shù)跟我們的數(shù)據(jù)組合后恰好是真實值
2.線性回歸似然函數(shù)
對數(shù)似然：
3.線性回歸目標函數(shù)
（誤差的表達式，我們的目的就是使得真實值與預(yù)測值之前的誤差最小）
（導(dǎo)數(shù)為0取得極值，得到函數(shù)的參數(shù)）
邏輯回歸
邏輯回歸是在線性回歸的結(jié)果外加一層Sigmoid函數(shù)
1.邏輯回歸函數(shù)
2.邏輯回歸似然函數(shù)
前提數(shù)據(jù)服從伯努利分布
對數(shù)似然：
引入
轉(zhuǎn)變?yōu)樘荻认陆等蝿?wù)，邏輯回歸目標函數(shù)
梯度下降法求解
我的理解就是求導(dǎo)更新參數(shù)，達到一定條件后停止，得到近似最優(yōu)解
代碼實現(xiàn)
Sigmoid函數(shù)
def sigmoid(z): ? ? ??????? return 1 / (1 + np.exp(-z))
預(yù)測函數(shù)
def model(X, theta): ? ? ? return sigmoid(np.dot(X, theta.T))
目標函數(shù)
def cost(X, y, theta): ? ?
left = np.multiply(-y, np.log(model(X, theta))) ? ?
right = np.multiply(1 - y, np.log(1 - model(X, theta))) ? ?
??????? return np.sum(left - right) / (len(X))梯度
def gradient(X, y, theta): ? ?
grad = np.zeros(theta.shape) ? ?
error = (model(X, theta)- y).ravel() ? ?
for j in range(len(theta.ravel())): #for each parmeter ? ? ? ?
term = np.multiply(error, X[:,j]) ? ? ? ?
grad[0, j] = np.sum(term) / len(X) ? ?
??????? return grad梯度下降停止策略
STOP_ITER = 0 STOP_COST = 1 STOP_GRAD = 2 ? def stopCriterion(type, value, threshold): ? ? # 設(shè)定三種不同的停止策略 ? ? if type == STOP_ITER: ?# 設(shè)定迭代次數(shù) ? ? ? ? return value > threshold ? ? elif type == STOP_COST: ?# 根據(jù)損失值停止 ? ? ? ? return abs(value[-1] - value[-2]) < threshold ? ? elif type == STOP_GRAD: ?# 根據(jù)梯度變化停止 ? ? ? ? return np.linalg.norm(value) < threshold
樣本重新洗牌
import numpy.random #洗牌 def shuffleData(data): ? ? np.random.shuffle(data) ? ? cols = data.shape[1] ? ? X = data[:, 0:cols-1] ? ? y = data[:, cols-1:] ? ? return X, y
梯度下降求解
def descent(data, theta, batchSize, stopType, thresh, alpha): ? ? # 梯度下降求解 ? ? ? init_time = time.time() ? ? i = 0 ?# 迭代次數(shù) ? ? k = 0 ?# batch ? ? X, y = shuffleData(data) ? ? grad = np.zeros(theta.shape) ?# 計算的梯度 ? ? costs = [cost(X, y, theta)] ?# 損失值 ? ? ? while True: ? ? ? ? grad = gradient(X[k:k + batchSize], y[k:k + batchSize], theta) ? ? ? ? k += batchSize ?# 取batch數(shù)量個數(shù)據(jù) ? ? ? ? if k >= n: ? ? ? ? ? ? k = 0 ? ? ? ? ? ? X, y = shuffleData(data) ?# 重新洗牌 ? ? ? ? theta = theta - alpha * grad ?# 參數(shù)更新 ? ? ? ? costs.append(cost(X, y, theta)) ?# 計算新的損失 ? ? ? ? i += 1 ? ? ? ? ? if stopType == STOP_ITER: ? ? ? ? ? ? value = i ? ? ? ? elif stopType == STOP_COST: ? ? ? ? ? ? value = costs ? ? ? ? elif stopType == STOP_GRAD: ? ? ? ? ? ? value = grad ? ? ? ? if stopCriterion(stopType, value, thresh): break ? ? ? return theta, i - 1, costs, grad, time.time() - init_time
完整代碼
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import os
import numpy.random
import time
?
?
def sigmoid(z):
? ? return 1 / (1 + np.exp(-z))
?
?
def model(X, theta):
? ? return sigmoid(np.dot(X, theta.T))
?
?
def cost(X, y, theta):
? ? left = np.multiply(-y, np.log(model(X, theta)))
? ? right = np.multiply(1 - y, np.log(1 - model(X, theta)))
? ? return np.sum(left - right) / (len(X))
?
?
def gradient(X, y, theta):
? ? grad = np.zeros(theta.shape)
? ? error = (model(X, theta) - y).ravel()
? ? for j in range(len(theta.ravel())): ?# for each parmeter
? ? ? ? term = np.multiply(error, X[:, j])
? ? ? ? grad[0, j] = np.sum(term) / len(X)
? ? return grad
?
?
STOP_ITER = 0
STOP_COST = 1
STOP_GRAD = 2
?
?
def stopCriterion(type, value, threshold):
? ? # 設(shè)定三種不同的停止策略
? ? if type == STOP_ITER: ?# 設(shè)定迭代次數(shù)
? ? ? ? return value > threshold
? ? elif type == STOP_COST: ?# 根據(jù)損失值停止
? ? ? ? return abs(value[-1] - value[-2]) < threshold
? ? elif type == STOP_GRAD: ?# 根據(jù)梯度變化停止
? ? ? ? return np.linalg.norm(value) < threshold
?
?
# 洗牌
def shuffleData(data):
? ? np.random.shuffle(data)
? ? cols = data.shape[1]
? ? X = data[:, 0:cols - 1]
? ? y = data[:, cols - 1:]
? ? return X, y
?
?
def descent(data, theta, batchSize, stopType, thresh, alpha):
? ? # 梯度下降求解
?
? ? init_time = time.time()
? ? i = 0 ?# 迭代次數(shù)
? ? k = 0 ?# batch
? ? X, y = shuffleData(data)
? ? grad = np.zeros(theta.shape) ?# 計算的梯度
? ? costs = [cost(X, y, theta)] ?# 損失值
?
? ? while True:
? ? ? ? grad = gradient(X[k:k + batchSize], y[k:k + batchSize], theta)
? ? ? ? k += batchSize ?# 取batch數(shù)量個數(shù)據(jù)
? ? ? ? if k >= n:
? ? ? ? ? ? k = 0
? ? ? ? ? ? X, y = shuffleData(data) ?# 重新洗牌
? ? ? ? theta = theta - alpha * grad ?# 參數(shù)更新
? ? ? ? costs.append(cost(X, y, theta)) ?# 計算新的損失
? ? ? ? i += 1
?
? ? ? ? if stopType == STOP_ITER:
? ? ? ? ? ? value = i
? ? ? ? elif stopType == STOP_COST:
? ? ? ? ? ? value = costs
? ? ? ? elif stopType == STOP_GRAD:
? ? ? ? ? ? value = grad
? ? ? ? if stopCriterion(stopType, value, thresh): break
?
? ? return theta, i - 1, costs, grad, time.time() - init_time
?
?
def runExpe(data, theta, batchSize, stopType, thresh, alpha):
? ? # import pdb
? ? # pdb.set_trace()
? ? theta, iter, costs, grad, dur = descent(data, theta, batchSize, stopType, thresh, alpha)
? ? name = "Original" if (data[:, 1] > 2).sum() > 1 else "Scaled"
? ? name += " data - learning rate: {} - ".format(alpha)
? ? if batchSize == n:
? ? ? ? strDescType = "Gradient" ?# 批量梯度下降
? ? elif batchSize == 1:
? ? ? ? strDescType = "Stochastic" ?# 隨機梯度下降
? ? else:
? ? ? ? strDescType = "Mini-batch ({})".format(batchSize) ?# 小批量梯度下降
? ? name += strDescType + " descent - Stop: "
? ? if stopType == STOP_ITER:
? ? ? ? strStop = "{} iterations".format(thresh)
? ? elif stopType == STOP_COST:
? ? ? ? strStop = "costs change < {}".format(thresh)
? ? else:
? ? ? ? strStop = "gradient norm < {}".format(thresh)
? ? name += strStop
? ? print("***{}\nTheta: {} - Iter: {} - Last cost: {:03.2f} - Duration: {:03.2f}s".format(
? ? ? ? name, theta, iter, costs[-1], dur))
? ? fig, ax = plt.subplots(figsize=(12, 4))
? ? ax.plot(np.arange(len(costs)), costs, 'r')
? ? ax.set_xlabel('Iterations')
? ? ax.set_ylabel('Cost')
? ? ax.set_title(name.upper() + ' - Error vs. Iteration')
? ? return theta
?
?
path = 'data' + os.sep + 'LogiReg_data.txt'
pdData = pd.read_csv(path, header=None, names=['Exam 1', 'Exam 2', 'Admitted'])
positive = pdData[pdData['Admitted'] == 1]
negative = pdData[pdData['Admitted'] == 0]
?
# 畫圖觀察樣本情況
fig, ax = plt.subplots(figsize=(10, 5))
ax.scatter(positive['Exam 1'], positive['Exam 2'], s=30, c='b', marker='o', label='Admitted')
ax.scatter(negative['Exam 1'], negative['Exam 2'], s=30, c='r', marker='x', label='Not Admitted')
ax.legend()
ax.set_xlabel('Exam 1 Score')
ax.set_ylabel('Exam 2 Score')
?
pdData.insert(0, 'Ones', 1)
?
# 劃分訓(xùn)練數(shù)據(jù)與標簽
orig_data = pdData.values
cols = orig_data.shape[1]
X = orig_data[:, 0:cols - 1]
y = orig_data[:, cols - 1:cols]
# 設(shè)置初始參數(shù)0
theta = np.zeros([1, 3])
?
# 選擇的梯度下降方法是基于所有樣本的
n = 100
runExpe(orig_data, theta, n, STOP_ITER, thresh=5000, alpha=0.000001)
runExpe(orig_data, theta, n, STOP_COST, thresh=0.000001, alpha=0.001)
runExpe(orig_data, theta, n, STOP_GRAD, thresh=0.05, alpha=0.001)
runExpe(orig_data, theta, 1, STOP_ITER, thresh=5000, alpha=0.001)
runExpe(orig_data, theta, 1, STOP_ITER, thresh=15000, alpha=0.000002)
runExpe(orig_data, theta, 16, STOP_ITER, thresh=15000, alpha=0.001)
?
from sklearn import preprocessing as pp
?
# 數(shù)據(jù)預(yù)處理
scaled_data = orig_data.copy()
scaled_data[:, 1:3] = pp.scale(orig_data[:, 1:3])
?
runExpe(scaled_data, theta, n, STOP_ITER, thresh=5000, alpha=0.001)
runExpe(scaled_data, theta, n, STOP_GRAD, thresh=0.02, alpha=0.001)
theta = runExpe(scaled_data, theta, 1, STOP_GRAD, thresh=0.002 / 5, alpha=0.001)
runExpe(scaled_data, theta, 16, STOP_GRAD, thresh=0.002 * 2, alpha=0.001)
?
?
# 設(shè)定閾值
def predict(X, theta):
? ? return [1 if x >= 0.5 else 0 for x in model(X, theta)]
?
?
# 計算精度
scaled_X = scaled_data[:, :3]
y = scaled_data[:, 3]
predictions = predict(scaled_X, theta)
correct = [1 if ((a == 1 and b == 1) or (a == 0 and b == 0)) else 0 for (a, b) in zip(predictions, y)]
accuracy = (sum(map(int, correct)) % len(correct))
print('accuracy = {0}%'.format(accuracy))邏輯回歸的優(yōu)缺點
優(yōu)點
- 形式簡單，模型的可解釋性非常好。從特征的權(quán)重可以看到不同的特征對最后結(jié)果的影響，某個特征的權(quán)重值比較高，那么這個特征最后對結(jié)果的影響會比較大。
- 模型效果不錯。在工程上是可以接受的（作為baseline)，如果特征工程做的好，效果不會太差，并且特征工程可以大家并行開發(fā)，大大加快開發(fā)的速度。
- 訓(xùn)練速度較快。分類的時候，計算量僅僅只和特征的數(shù)目相關(guān)。并且邏輯回歸的分布式優(yōu)化sgd發(fā)展比較成熟，訓(xùn)練的速度可以通過堆機器進一步提高，這樣我們可以在短時間內(nèi)迭代好幾個版本的模型。
- 資源占用小,尤其是內(nèi)存。因為只需要存儲各個維度的特征值。
- 方便輸出結(jié)果調(diào)整。邏輯回歸可以很方便的得到最后的分類結(jié)果，因為輸出的是每個樣本的概率分數(shù)，我們可以很容易的對這些概率分數(shù)進行cutoff，也就是劃分閾值(大于某個閾值的是一類，小于某個閾值的是一類)。
缺點
- 準確率并不是很高。因為形式非常的簡單(非常類似線性模型)，很難去擬合數(shù)據(jù)的真實分布。
- 很難處理數(shù)據(jù)不平衡的問題。舉個例子：如果我們對于一個正負樣本非常不平衡的問題比如正負樣本比 10000:1.我們把所有樣本都預(yù)測為正也能使損失函數(shù)的值比較小。但是作為一個分類器，它對正負樣本的區(qū)分能力不會很好。
- 處理非線性數(shù)據(jù)較麻煩。邏輯回歸在不引入其他方法的情況下，只能處理線性可分的數(shù)據(jù)，或者進一步說，處理二分類的問題 。
- 邏輯回歸本身無法篩選特征。有時候，我們會用gbdt來篩選特征，然后再上邏輯回歸。
以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。
相關(guān)文章
這篇文章主要介紹了詳解Python3.1版本帶來的核心變化,Python3.1的版本升級在3.0的基礎(chǔ)上帶來了更多影響以后版本的變化,本文分析了其中一些常用功能的改變,如Maketrans函數(shù)等,需要的朋友可以參考下2015-04-04
這篇文章主要介紹了Python中aiohttp模塊的簡單運用方式,具有很好的參考價值,希望對大家有所幫助,如有錯誤或未考慮完全的地方,望不吝賜教2024-06-06
在Python中使用循環(huán)進行迭代的方法小結(jié)
Python中的循環(huán)結(jié)構(gòu)是編程中的重要組成部分,本文詳細介紹這兩種循環(huán)的使用方法、它們之間的差異以及如何選擇合適的循環(huán)類型,此外,我還將介紹一些高級循環(huán)控制技巧,如列表推導(dǎo)式和生成器表達式,感興趣的朋友一起看看吧2024-01-01
Python、 Pycharm、Django安裝詳細教程(圖文)
這篇文章主要介紹了Python、 Pycharm、Django安裝詳細教程，文中通過示例代碼介紹的非常詳細，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2019-04-04
Python內(nèi)存優(yōu)化的實戰(zhàn)技巧分享
Python作為一門解釋型語言,雖然在開發(fā)效率上有著顯著優(yōu)勢,但在執(zhí)行效率方面往往被詬病,然而,通過合理的內(nèi)存優(yōu)化策略,我們可以讓Python程序的運行速度提升3倍甚至更多,本文將從實戰(zhàn)角度出發(fā),深入探討Python內(nèi)存優(yōu)化的核心技巧,需要的朋友可以參考下2025-08-08
這篇文章主要介紹了使用Python實現(xiàn)漢諾塔問題示例,文中通過示例代碼介紹的非常詳細，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2023-04-04
本文給大家分享的是使用Python實現(xiàn)根據(jù)ip138的API查詢IP的地理位置的代碼，非常的實用，推薦給大家，有需要的小伙伴可以參考下。2015-03-03
當你在使用pip安裝Python庫時遇到問題,可以嘗試以下兩種解決方案,第一種是直接在Scripts文件夾內(nèi)使用CMD命令進行安裝,第二種是將Scripts的路徑設(shè)置為系統(tǒng)環(huán)境變量,這樣就可以直接在dos中使用pip install進行安裝了,以上解決方案僅供參考,如有更好的方法歡迎交流分享2024-10-10
Python3.9環(huán)境搭建RobotFramework的詳細過程
Robot Framework是一個基于Python的，可擴展的關(guān)鍵字驅(qū)動的測試自動化框架，用于端到端驗收測試和驗收測試驅(qū)動開發(fā)（ATDD），這篇文章主要介紹了Python3.9環(huán)境搭建RobotFramework的詳細過程,需要的朋友可以參考下2023-01-01
python實現(xiàn)去除下載電影和電視劇文件名中的多余字符的方法
這篇文章主要介紹了python實現(xiàn)去除下載電影和電視劇文件名中的多余字符的方法,可以批量修改視頻文件名稱,非常具有實用價值,需要的朋友可以參考下2014-09-09