iis服务器助手广告广告
返回顶部
首页 > 资讯 > 后端开发 > Python >python怎么实现梯度下降求解逻辑回归
  • 132
分享到

python怎么实现梯度下降求解逻辑回归

2023-07-06 11:07:11 132人浏览 薄情痞子

Python 官方文档:入门教程 => 点击学习

摘要

今天小编给大家分享一下python怎么实现梯度下降求解逻辑回归的相关知识点,内容详细,逻辑清晰,相信大部分人都还太了解这方面的知识,所以分享这篇文章给大家参考一下,希望大家阅读完这篇文章后有所收获,下面我们一起来了解一下吧。线性回归1.线性

今天小编给大家分享一下python怎么实现梯度下降求解逻辑回归的相关知识点,内容详细,逻辑清晰,相信大部分人都还太了解这方面的知识,所以分享这篇文章给大家参考一下,希望大家阅读完这篇文章后有所收获,下面我们一起来了解一下吧。

线性回归

1.线性回归函数

python怎么实现梯度下降求解逻辑回归

似然函数的定义:给定联合样本值X下关于(未知)参数python怎么实现梯度下降求解逻辑回归 的函数

python怎么实现梯度下降求解逻辑回归

python怎么实现梯度下降求解逻辑回归

似然函数:什么样的参数跟我们的数据组合后恰好是真实值

2.线性回归似然函数

python怎么实现梯度下降求解逻辑回归

对数似然:

python怎么实现梯度下降求解逻辑回归

python怎么实现梯度下降求解逻辑回归

3.线性回归目标函数

(误差的表达式,我们的目的就是使得真实值与预测值之前的误差最小)

python怎么实现梯度下降求解逻辑回归

(导数为0取得极值,得到函数的参数)

逻辑回归

逻辑回归是在线性回归的结果外加一层Sigmoid函数

python怎么实现梯度下降求解逻辑回归

1.逻辑回归函数

python怎么实现梯度下降求解逻辑回归

2.逻辑回归似然函数

前提数据服从伯努利分布

python怎么实现梯度下降求解逻辑回归

对数似然:

python怎么实现梯度下降求解逻辑回归

引入python怎么实现梯度下降求解逻辑回归 转变为梯度下降任务,逻辑回归目标函数

梯度下降法求解

我的理解就是求导更新参数,达到一定条件后停止,得到近似最优解

代码实现

Sigmoid函数

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

预测函数

def model(X, theta):        return sigmoid(np.dot(X, theta.T))

目标函数

python怎么实现梯度下降求解逻辑回归

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

python怎么实现梯度下降求解逻辑回归

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 = 0STOP_COST = 1STOP_GRAD = 2 def stopCriterion(type, value, threshold):    # 设定三种不同的停止策略    if type == STOP_ITER:  # 设定迭代次数        return value > threshold    elif type == STOP_COST:  # 根据损失值停止        return abs(value[-1] - value[-2]) < threshold    elif type == STOP_GRAD:  # 根据梯度变化停止        return np.linalg.nORM(value) < threshold

样本重新洗牌

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  # 迭代次数    k = 0  # batch    X, y = shuffleData(data)    grad = np.zeros(theta.shape)  # 计算的梯度    costs = [cost(X, y, theta)]  # 损失值     while True:        grad = gradient(X[k:k + batchSize], y[k:k + batchSize], theta)        k += batchSize  # 取batch数量个数据        if k >= n:            k = 0            X, y = shuffleData(data)  # 重新洗牌        theta = theta - alpha * grad  # 参数更新        costs.append(cost(X, y, theta))  # 计算新的损失        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

完整代码

import numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport osimport numpy.randomimport 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 = 0STOP_COST = 1STOP_GRAD = 2  def stopCriterion(type, value, threshold):    # 设定三种不同的停止策略    if type == STOP_ITER:  # 设定迭代次数        return value > threshold    elif type == STOP_COST:  # 根据损失值停止        return abs(value[-1] - value[-2]) < threshold    elif type == STOP_GRAD:  # 根据梯度变化停止        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  # 迭代次数    k = 0  # batch    X, y = shuffleData(data)    grad = np.zeros(theta.shape)  # 计算的梯度    costs = [cost(X, y, theta)]  # 损失值     while True:        grad = gradient(X[k:k + batchSize], y[k:k + batchSize], theta)        k += batchSize  # 取batch数量个数据        if k >= n:            k = 0            X, y = shuffleData(data)  # 重新洗牌        theta = theta - alpha * grad  # 参数更新        costs.append(cost(X, y, theta))  # 计算新的损失        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"  # 随机梯度下降    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] # 画图观察样本情况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) # 划分训练数据与标签orig_data = pdData.valuescols = orig_data.shape[1]X = orig_data[:, 0:cols - 1]y = orig_data[:, cols - 1:cols]# 设置初始参数0theta = np.zeros([1, 3]) # 选择的梯度下降方法是基于所有样本的n = 100runExpe(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 # 数据预处理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)  # 设定阈值def predict(X, theta):    return [1 if x >= 0.5 else 0 for x in model(X, theta)]  # 计算精度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))

逻辑回归的优缺点

优点
  • 形式简单,模型的可解释性非常好。从特征的权重可以看到不同的特征对最后结果的影响,某个特征的权重值比较高,那么这个特征最后对结果的影响会比较大。

  • 模型效果不错。在工程上是可以接受的(作为baseline),如果特征工程做的好,效果不会太差,并且特征工程可以大家并行开发,大大加快开发的速度。

  • 训练速度较快。分类的时候,计算量仅仅只和特征的数目相关。并且逻辑回归的分布式优化sgd发展比较成熟,训练的速度可以通过堆机器进一步提高,这样我们可以在短时间内迭代好几个版本的模型。

  • 资源占用小,尤其是内存。因为只需要存储各个维度的特征值。

  • 方便输出结果调整。逻辑回归可以很方便的得到最后的分类结果,因为输出的是每个样本的概率分数,我们可以很容易的对这些概率分数进行cutoff,也就是划分阈值(大于某个阈值的是一类,小于某个阈值的是一类)。

缺点
  • 准确率并不是很高。因为形式非常的简单(非常类似线性模型),很难去拟合数据的真实分布。

  • 很难处理数据不平衡的问题。举个例子:如果我们对于一个正负样本非常不平衡的问题比如正负样本比 10000:1.我们把所有样本都预测为正也能使损失函数的值比较小。但是作为一个分类器,它对正负样本的区分能力不会很好。

  • 处理非线性数据较麻烦。逻辑回归在不引入其他方法的情况下,只能处理线性可分的数据,或者进一步说,处理二分类的问题 。

  • 逻辑回归本身无法筛选特征。有时候,我们会用gbdt来筛选特征,然后再上逻辑回归。

以上就是“Python怎么实现梯度下降求解逻辑回归”这篇文章的所有内容,感谢各位的阅读!相信大家阅读完这篇文章都有很大的收获,小编每天都会为大家更新不同的知识,如果还想学习更多的知识,请关注编程网Python频道。

--结束END--

本文标题: python怎么实现梯度下降求解逻辑回归

本文链接: https://www.lsjlt.com/news/357953.html(转载时请注明来源链接)

有问题或投稿请发送至: 邮箱/279061341@qq.com    QQ/279061341

本篇文章演示代码以及资料文档资料下载

下载Word文档到电脑,方便收藏和打印~

下载Word文档
软考高级职称资格查询
编程网,编程工程师的家园,是目前国内优秀的开源技术社区之一,形成了由开源软件库、代码分享、资讯、协作翻译、讨论区和博客等几大频道内容,为IT开发者提供了一个发现、使用、并交流开源技术的平台。
  • 官方手机版

  • 微信公众号

  • 商务合作