脚本之家,脚本语言编程技术及教程分享平台!
分类导航

Python|VBS|Ruby|Lua|perl|VBA|Golang|PowerShell|Erlang|autoit|Dos|bat|

服务器之家 - 脚本之家 - Python - python编写Logistic逻辑回归

python编写Logistic逻辑回归

2020-12-27 01:03开贰锤 Python

这篇文章主要介绍了python编写Logistic逻辑回归的相关代码,具有一定的参考价值,感兴趣的小伙伴们可以参考一下

用一条直线对数据进行拟合的过程称为回归。逻辑回归分类的思想是:根据现有数据对分类边界线建立回归公式。
公式表示为:

python编写Logistic逻辑回归

一、梯度上升法

每次迭代所有的数据都参与计算。

for 循环次数:
        训练

代码如下:

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
import numpy as np
import matplotlib.pyplot as plt
def loadData():
  labelVec = []
  dataMat = []
  with open('testSet.txt') as f:
    for line in f.readlines():
      dataMat.append([1.0,line.strip().split()[0],line.strip().split()[1]])
      labelVec.append(line.strip().split()[2])
  return dataMat,labelVec
 
def Sigmoid(inX):
  return 1/(1+np.exp(-inX))
 
def trainLR(dataMat,labelVec):
  dataMatrix = np.mat(dataMat).astype(np.float64)
  lableMatrix = np.mat(labelVec).T.astype(np.float64)
  m,n = dataMatrix.shape
  w = np.ones((n,1))
  alpha = 0.001
  for i in range(500):
    predict = Sigmoid(dataMatrix*w)
    error = predict-lableMatrix
    w = w - alpha*dataMatrix.T*error
  return w
 
 
def plotBestFit(wei,data,label):
  if type(wei).__name__ == 'ndarray':
    weights = wei
  else:
    weights = wei.getA()
  fig = plt.figure(0)
  ax = fig.add_subplot(111)
  xxx = np.arange(-3,3,0.1)
  yyy = - weights[0]/weights[2] - weights[1]/weights[2]*xxx
  ax.plot(xxx,yyy)
  cord1 = []
  cord0 = []
  for i in range(len(label)):
    if label[i] == 1:
      cord1.append(data[i][1:3])
    else:
      cord0.append(data[i][1:3])
  cord1 = np.array(cord1)
  cord0 = np.array(cord0)
  ax.scatter(cord1[:,0],cord1[:,1],c='red')
  ax.scatter(cord0[:,0],cord0[:,1],c='green')
  plt.show()
 
if __name__ == "__main__":
  data,label = loadData()
  data = np.array(data).astype(np.float64)
  label = [int(item) for item in label]
  weight = trainLR(data,label)
  plotBestFit(weight,data,label)

二、随机梯度上升法

1.学习参数随迭代次数调整,可以缓解参数的高频波动。
2.随机选取样本来更新回归参数,可以减少周期性的波动。

python编写Logistic逻辑回归

for 循环次数:
    for 样本数量:
        更新学习速率
        随机选取样本
        训练
        在样本集中删除该样本

代码如下:

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
import numpy as np
import matplotlib.pyplot as plt
def loadData():
  labelVec = []
  dataMat = []
  with open('testSet.txt') as f:
    for line in f.readlines():
      dataMat.append([1.0,line.strip().split()[0],line.strip().split()[1]])
      labelVec.append(line.strip().split()[2])
  return dataMat,labelVec
 
def Sigmoid(inX):
  return 1/(1+np.exp(-inX))
 
 
def plotBestFit(wei,data,label):
  if type(wei).__name__ == 'ndarray':
    weights = wei
  else:
    weights = wei.getA()
  fig = plt.figure(0)
  ax = fig.add_subplot(111)
  xxx = np.arange(-3,3,0.1)
  yyy = - weights[0]/weights[2] - weights[1]/weights[2]*xxx
  ax.plot(xxx,yyy)
  cord1 = []
  cord0 = []
  for i in range(len(label)):
    if label[i] == 1:
      cord1.append(data[i][1:3])
    else:
      cord0.append(data[i][1:3])
  cord1 = np.array(cord1)
  cord0 = np.array(cord0)
  ax.scatter(cord1[:,0],cord1[:,1],c='red')
  ax.scatter(cord0[:,0],cord0[:,1],c='green')
  plt.show()
 
def stocGradAscent(dataMat,labelVec,trainLoop):
  m,n = np.shape(dataMat)
  w = np.ones((n,1))
  for j in range(trainLoop):
    dataIndex = range(m)
    for i in range(m):
      alpha = 4/(i+j+1) + 0.01
      randIndex = int(np.random.uniform(0,len(dataIndex)))
      predict = Sigmoid(np.dot(dataMat[dataIndex[randIndex]],w))
      error = predict - labelVec[dataIndex[randIndex]]
      w = w - alpha*error*dataMat[dataIndex[randIndex]].reshape(n,1)
      np.delete(dataIndex,randIndex,0)
  return w
 
if __name__ == "__main__":
  data,label = loadData()
  data = np.array(data).astype(np.float64)
  label = [int(item) for item in label]
  weight = stocGradAscent(data,label,300
  plotBestFit(weight,data,label)

三、编程技巧

1.字符串提取

将字符串中的'\n', ‘\r', ‘\t', ' ‘去除,按空格符划分。

?
1
string.strip().split()

2.判断类型

?
1
if type(secondTree[value]).__name__ == 'dict':

3.乘法

numpy两个矩阵类型的向量相乘,结果还是一个矩阵

?
1
2
3
4
c = a*b
 
c
Out[66]: matrix([[ 6.830482]])

两个向量类型的向量相乘,结果为一个二维数组

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
b
Out[80]:
array([[ 1.],
    [ 1.],
    [ 1.]])
 
a
Out[81]: array([1, 2, 3])
 
a*b
Out[82]:
array([[ 1., 2., 3.],
    [ 1., 2., 3.],
    [ 1., 2., 3.]])
 
b*a
Out[83]:
array([[ 1., 2., 3.],
    [ 1., 2., 3.],
    [ 1., 2., 3.]])

以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持服务器之家。

原文链接:http://blog.csdn.net/weixin_37895339/article/details/78441688

延伸 · 阅读

精彩推荐