Logistic回歸之基於最優化方法的最佳回歸系數確定

 

之前學習Java的時候，用過一個IDE叫做EditPlus,雖然他敲代碼的高亮等體驗度不及eclipse，但是打開軟件特別快捷，現在也用他讀python特別方便。

 

訓練算法:：使用梯度上升找到最佳參數

之前看過吳恩達的視頻的同學們，聽得比較多的就是梯度下降算法，但是梯度上升算法和梯度下降算法本質是是一樣的，只是梯度計算的時候加減號不一樣罷了。

 

def loadDataSet():
    dataMat = []; labelMat = []
    fr = open('testSet.txt')
    for line in fr.readlines():
        lineArr = line.strip().split()
        dataMat.append([1.0, float(lineArr[0]), float(lineArr[1])])
        labelMat.append(int(lineArr[2]))
    return dataMat,labelMat

def sigmoid(inX):
    return 1.0/(1+exp(-inX))

def gradAscent(dataMatIn, classLabels):
    dataMatrix = mat(dataMatIn)             #convert to NumPy matrix
    labelMat = mat(classLabels).transpose() #convert to NumPy matrix
    m,n = shape(dataMatrix)
    alpha = 0.001
    maxCycles = 500
    weights = ones((n,1))
    for k in range(maxCycles):              #heavy on matrix operations
        h = sigmoid(dataMatrix*weights)     #matrix mult
        error = (labelMat - h)              #vector subtraction
        weights = weights + alpha * dataMatrix.transpose()* error #matrix mult
    return weights

第一個函數打開testSet。txt並逐行讀取，每行前兩個值分別是x1和x2，第三個值是對應的類別標簽。為了方便計算，該函數還將x0的值設為1.0

第二個函數是sigmoid函數，x為0時，函數值為0.5，x增大時，函數值將不斷增大逼近1。

第三個函數有兩個參數，第一個是2維數組，每列代表不同的特征，每行代表每個訓練樣本。我們采用100個樣本的簡單數據集它包含兩個特征x1,x2，再加上第0維特征x0,所以dataMatln里面存放的是100*3的矩陣。

 

 

分析數據：畫出決策邊界

def plotBestFit(weights):
    import matplotlib.pyplot as plt
    dataMat,labelMat=loadDataSet()
    dataArr = array(dataMat)
    n = shape(dataArr)[0] 
    xcord1 = []; ycord1 = []
    xcord2 = []; ycord2 = []
    for i in range(n):
        if int(labelMat[i])== 1:
            xcord1.append(dataArr[i,1]); ycord1.append(dataArr[i,2])
        else:
            xcord2.append(dataArr[i,1]); ycord2.append(dataArr[i,2])
    fig = plt.figure()
    ax = fig.add_subplot(111)
    ax.scatter(xcord1, ycord1, s=30, c='red', marker='s')
    ax.scatter(xcord2, ycord2, s=30, c='green')
    x = arange(-3.0, 3.0, 0.1)
    y = (-weights[0]-weights[1]*x)/weights[2]
    ax.plot(x, y)
    plt.xlabel('X1'); plt.ylabel('X2');
    plt.show()

 

>>> from numpy import *
>>> reload(logRegres)
<module 'logRegres' from 'D:\Python27\logRegres.pyc'>
>>> weights=logRegres.gradAscent(dataArr,labelMat)
>>> logRegres.plotBestFit(weights.getA())

 

訓練算法：隨機梯度上升

梯度上升算法在每次更新回歸系數時都需要遍歷整個數據集。改進的方法是一次僅使用一個樣本點來更新回歸系數，該方法稱為隨機梯度上升算法。由於可以在樣本到來時對分類器進行增量式更新，因而隨機梯度上升算法是一個在線學習算法。與在線學習相對應，一次處理所有數據被稱作是批處理。

def stocGradAscent0(dataMatrix, classLabels):
    m,n = shape(dataMatrix)
    alpha = 0.01
    weights = ones(n)   #initialize to all ones
    for i in range(m):
        h = sigmoid(sum(dataMatrix[i]*weights))
        error = classLabels[i] - h
        weights = weights + alpha * error * dataMatrix[i]
    return weights

 

>>> from numpy import *
>>> reload(logRegres)
<module 'logRegres' from 'D:\Python27\logRegres.pyc'>
>>> dataArr,labelMat=logRegres.loadDataSet()
>>> weights=logRegres.stocGradAscent0(array(dataArr),labelMat)
>>> logRegres.plotBestFit(weights)

 

 

改進的隨機梯度上升算法

def stocGradAscent1(dataMatrix, classLabels, numIter=150):
    m,n = shape(dataMatrix)
    weights = ones(n)   #initialize to all ones
    for j in range(numIter):
        dataIndex = range(m)
        for i in range(m):
            alpha = 4/(1.0+j+i)+0.0001    #apha decreases with iteration, does not 
            randIndex = int(random.uniform(0,len(dataIndex)))#go to 0 because of the constant
            h = sigmoid(sum(dataMatrix[randIndex]*weights))
            error = classLabels[randIndex] - h
            weights = weights + alpha * error * dataMatrix[randIndex]
            del(dataIndex[randIndex])
    return weights

 增加了亮出代碼來進行改進。一方面，alpha在每次迭代的時候都會調整，雖然alpha會隨着迭代次數不斷減小，但永遠不會減小到0，因為存在一個常數項。

另一方面，通過隨機選取樣本來更新回歸系數。

>>> dataArr,labelMat=logRegres.loadDataSet()
>>> weights=logRegres.stocGradAscent1(array(dataArr),labelMat)
>>> logRegres.plotBestFit(weights)

 

 

 從疝氣病症預測病馬的死亡率

def classifyVector(inX, weights):
    prob = sigmoid(sum(inX*weights))
    if prob > 0.5: return 1.0
    else: return 0.0

def colicTest():
    frTrain = open('horseColicTraining.txt'); frTest = open('horseColicTest.txt')
    trainingSet = []; trainingLabels = []
    for line in frTrain.readlines():
        currLine = line.strip().split('\t')
        lineArr =[]
        for i in range(21):
            lineArr.append(float(currLine[i]))
        trainingSet.append(lineArr)
        trainingLabels.append(float(currLine[21]))
    trainWeights = stocGradAscent1(array(trainingSet), trainingLabels, 1000)
    errorCount = 0; numTestVec = 0.0
    for line in frTest.readlines():
        numTestVec += 1.0
        currLine = line.strip().split('\t')
        lineArr =[]
        for i in range(21):
            lineArr.append(float(currLine[i]))
        if int(classifyVector(array(lineArr), trainWeights))!= int(currLine[21]):
            errorCount += 1
    errorRate = (float(errorCount)/numTestVec)
    print "the error rate of this test is: %f" % errorRate
    return errorRate

def multiTest():
    numTests = 10; errorSum=0.0
    for k in range(numTests):
        errorSum += colicTest()
    print "after %d iterations the average error rate is: %f" % (numTests, errorSum/float(numTests))

第一個函數，如果sigmoid值大於0.5函數返回1，否則返回0.

第二個函數，用於打開測試集和訓練集，並對數據進行格式化處理的函數。

第三個函數，調用第二個函數10次並求結果的平均值。

                   .-' _..`.                  /  .'_.'.'                 | .' (.)`.                 ;'   ,_   `. .--.__________.'    ;  `.;-'|  ./               /|  |               / `..'`-._  _____, ..'     / | |     | |\ \    / /| |     | | \ \   / / | |     | |  \ \  /_/  |_|     |_|   \_\ |__\  |__\    |__\  |__\