Logistic 回归
逻辑斯谛回归实质上是一种分类算法。由于历史原因名称中带有“回归”二字。
核心思想
求解输入向量x属于正类和负类的概率,概率较大的即为预测类。属于正类的概率服从logistic分布。
算法简介
模型
逻辑斯谛回归模型参数较少。与朴素贝叶斯相比,使用了属于正类的概率服从logisticf分布(逻辑函数)这一先验信息。即
策略
对数损失函数最小化,等同于极大似然函数。
学习方法
根据策略,问题演变成最优化问题,通常采用最速梯度下降法。
SoftMax回归
SoftMax回归是逻辑斯谛回归在多分类问题上的推广。
核心思想
求解输入向量x属于每个类的概率,取概率最大的为预测类。
算法简介
SoftMax回归与逻辑斯谛回归的模型唯一的区别在于,SoftMax的每个类对应一组权值向量w,所以其参数是一个n_class*n_dimension的矩阵。更多具体内容请参考SoftMax回归
代码
Logistic回归
"""
逻辑斯谛回归
"""
import numpy as np
class LR:
def __init__(self, alpha=0.01, maxstep=1000):
self.w = None
self.maxstep = maxstep
self.alpha = alpha
def sig(self, z):
# Logistic函数, 正类的概率
return 1.0 / (1 + np.exp(-z))
def bgd(self, X_data, y_data): # 损失函数采用对数损失函数,其数学形式与似然函数一致
# 批量梯度下降法
b = np.ones((X_data.shape[0], 1))
X = np.hstack((X_data, b)) # 考虑阈值,堆输入向量进行扩充
w = np.ones(X.shape[1]) # 初始化各特征的权重
i = 0
while i <= self.maxstep:
i += 1
err = y_data - self.sig(w @ X.T)
w += self.alpha * err @ X # 注意,其表达式与平方误差损失函数的非常相似,但这是由对数损失函数推导而来的
self.w = w
return
def fit(self, X_data, y_data):
self.bgd(X_data, y_data)
return
def predict(self, x):
x = np.append(x, 1)
PT = self.sig(self.w @ x.T)
if PT > 1 - PT:
return 1
else:
return 0
if __name__ == '__main__':
from sklearn import datasets
data = datasets.load_digits(n_class=2)
X_data = data['data']
y_data = data['target']
clf = LR()
from machine_learning_algorithm.cross_validation import validate
g = validate(X_data, y_data, ratio=0.2)
for item in g:
X_train, y_train, X_test, y_test = item
clf.fit(X_train, y_train)
score = 0
for x, y in zip(X_test, y_test):
if clf.predict(x)==y:
score += 1
print(score/len(y_test))
SoftMax回归
"""
SoftMax回归,逻辑斯蒂回归的多分类推广。所以,本质还是一种分类算法
"""
import numpy as np
class SoftMax:
def __init__(self, maxstep=10000, C=1e-4, alpha=0.4):
self.maxstep = maxstep
self.C = C # 权值衰减项系数lambda, 类似于惩罚系数
self.alpha = alpha # 学习率
self.w = None # 权值
self.L = None # 类的数量
self.D = None # 输入数据维度
self.N = None # 样本总量
def init_param(self, X_data, y_data):
# 初始化,暂定输入数据全部为数值形式
b = np.ones((X_data.shape[0], 1))
X_data = np.hstack((X_data, b)) # 附加偏置项
self.L = len(np.unique(y_data))
self.D = X_data.shape[1]
self.N = X_data.shape[0]
self.w = np.ones((self.L, self.D)) # l*d, 针对每个类,都有一组权值参数w
return X_data
def bgd(self, X_data, y_data):
# 梯度下降训练
step = 0
while step < self.maxstep:
step += 1
prob = np.exp(X_data @ self.w.T) # n*l, 行向量存储该样本属于每个类的概率
nf = np.transpose([prob.sum(axis=1)]) # n*1
nf = np.repeat(nf, self.L, axis=1) # n*l
prob = -prob / nf # 归一化, 此处条件符号仅方便后续计算梯度
for i in range(self.N):
prob[i, int(y_data[i])] += 1
grad = -1.0 / self.N * prob.T @ X_data + self.C * self.w # 梯度, 第二项为衰减项
self.w -= self.alpha * grad
return
def fit(self, X_data, y_data):
X_data = self.init_param(X_data, y_data)
self.bgd(X_data, y_data)
return
def predict(self, X):
b = np.ones((X.shape[0], 1))
X = np.hstack((X, b)) # 附加偏置项
prob = np.exp(X @ self.w.T)
return np.argmax(prob, axis=1)
if __name__ == '__main__':
from sklearn.datasets import load_digits
data = load_digits()
X_data = data['data']
y_data = data['target']
clf = SoftMax(maxstep=10000, alpha=0.1, C=1e-4)
from machine_learning_algorithm.cross_validation import validate
g = validate(X_data, y_data, ratio=0.2)
for item in g:
X_train, y_train, X_test, y_test = item
clf.fit(X_train, y_train)
y_pred = clf.predict(X_test)
score = 0
for y, y_pred in zip(y_test, y_pred):
score += 1 if y == y_pred else 0
print(score / len(y_test))