機器學習 | 算法筆記- 邏輯斯蒂迴歸（Logistic Regression）

前言

本系列爲機器學習算法的總結和概括，目的爲了清晰闡述算法原理，同時附帶上手代碼實例，便於理解。

目錄

　　 k近鄰（KNN）

　　 決策樹

　　 線性迴歸

　　 邏輯斯蒂迴歸

　　 樸素貝葉斯

　　 支持向量機（SVM）

　　組合算法（Ensemble Method）

　　 K-Means

　　機器學習算法總結

 

本章爲邏輯斯蒂迴歸，內容包括模型介紹及代碼實現（包括自主實現和sklearn案例）。

1、算法簡介

1.1 定義

邏輯斯蒂迴歸(Logistic Regression) 雖然名字中有迴歸，但模型最初是爲了解決二分類問題。

線性迴歸模型幫助咱們用最簡單的線性方程實現了對數據的擬合，但只實現了迴歸而沒法進行分類。所以LR就是在線性迴歸的基礎上，構造的一種分類模型。

對線性模型進行分類如二分類任務，簡單的是經過階躍函數(unit-step function)，即將線性模型的輸出值套上一個函數進行分割，大於z的斷定爲0，小於z的斷定爲1。以下圖左所示

但這樣的分段函數數學性質很差，既不連續也不可微。所以有人提出了對數概率函數，見上圖右，簡稱Sigmoid函數。

該函數具備很好的數學性質，既能夠用於預測類別，而且任意階可微，所以可用於求解最優解。將函數帶進去，可得LR模型爲

其實，LR 模型就是在擬合 z = w^T x +b 這條直線，使得這條直線儘量地將原始數據中的兩個類別正確的劃分開。

1.2 損失函數

迴歸問題的損失函數通常爲平均偏差平方損失 MSE，LR解決二分類問題中，損失函數爲以下形式

這個函數一般稱爲對數損失logloss，這裏的對數底爲天然對數 e ，其中真實值 y 是有 0/1 兩種狀況，而推測值 y^ 因爲藉助對數概率函數，其輸出是介於0~1之間連續機率值。所以損失函數能夠轉換爲分段函數

1.3 優化求解

肯定損失函數後，要不斷優化模型。LR的學習任務轉化爲數學的優化形式爲

是一個關於w和b的函數。一樣，採用梯度降低法進行求解，過程須要鏈式求導法則

此處忽略求解過程。

此外，優化算法還包括

• Newton Method（牛頓法）
• Conjugate gradient method(共軛梯度法)
• Quasi-Newton Method(擬牛頓法)
• BFGS Method
• L-BFGS(Limited-memory BFGS)

上述優化算法中，BFGS與L-BFGS均由擬牛頓法引伸出來，與梯度降低算法相比，其優勢是：第1、不須要手動的選擇步長；第2、比梯度降低算法快。但缺點是這些算法更加複雜，實用性不如梯度降低。

2、實例

2.1 自主實現

首先，創建 logistic_regression.py 文件，構建 LR 模型的類，內部實現了其核心的優化函數。

# -*- coding: utf-8 -*-

import numpy as np


class LogisticRegression(object):

    def __init__(self, learning_rate=0.1, max_iter=100, seed=None):
        self.seed = seed
        self.lr = learning_rate
        self.max_iter = max_iter

    def fit(self, x, y):
        np.random.seed(self.seed)
        self.w = np.random.normal(loc=0.0, scale=1.0, size=x.shape[1])
        self.b = np.random.normal(loc=0.0, scale=1.0)
        self.x = x
        self.y = y
        for i in range(self.max_iter):
            self._update_step()
            # print('loss: \t{}'.format(self.loss()))
            # print('score: \t{}'.format(self.score()))
            # print('w: \t{}'.format(self.w))
            # print('b: \t{}'.format(self.b))

    def _sigmoid(self, z):
        return 1.0 / (1.0 + np.exp(-z))

    def _f(self, x, w, b):
        z = x.dot(w) + b
        return self._sigmoid(z)

    def predict_proba(self, x=None):
        if x is None:
            x = self.x
        y_pred = self._f(x, self.w, self.b)
        return y_pred

    def predict(self, x=None):
        if x is None:
            x = self.x
        y_pred_proba = self._f(x, self.w, self.b)
        y_pred = np.array([0 if y_pred_proba[i] < 0.5 else 1 for i in range(len(y_pred_proba))])
        return y_pred

    def score(self, y_true=None, y_pred=None):
        if y_true is None or y_pred is None:
            y_true = self.y
            y_pred = self.predict()
        acc = np.mean([1 if y_true[i] == y_pred[i] else 0 for i in range(len(y_true))])
        return acc

    def loss(self, y_true=None, y_pred_proba=None):
        if y_true is None or y_pred_proba is None:
            y_true = self.y
            y_pred_proba = self.predict_proba()
        return np.mean(-1.0 * (y_true * np.log(y_pred_proba) + (1.0 - y_true) * np.log(1.0 - y_pred_proba)))

    def _calc_gradient(self):
        y_pred = self.predict()
        d_w = (y_pred - self.y).dot(self.x) / len(self.y)
        d_b = np.mean(y_pred - self.y)
        return d_w, d_b

    def _update_step(self):
        d_w, d_b = self._calc_gradient()
        self.w = self.w - self.lr * d_w
        self.b = self.b - self.lr * d_b
        return self.w, self.b

View Code

而後，這裏咱們建立了一個data_helper.py文件，單獨用於建立模擬數據，而且內部實現了訓練/測試數據的劃分功能。

# -*- coding: utf-8 -*-

import numpy as np


def generate_data(seed):
    np.random.seed(seed)
    data_size_1 = 300
    x1_1 = np.random.normal(loc=5.0, scale=1.0, size=data_size_1)
    x2_1 = np.random.normal(loc=4.0, scale=1.0, size=data_size_1)
    y_1 = [0 for _ in range(data_size_1)]
    data_size_2 = 400
    x1_2 = np.random.normal(loc=10.0, scale=2.0, size=data_size_2)
    x2_2 = np.random.normal(loc=8.0, scale=2.0, size=data_size_2)
    y_2 = [1 for _ in range(data_size_2)]
    x1 = np.concatenate((x1_1, x1_2), axis=0)
    x2 = np.concatenate((x2_1, x2_2), axis=0)
    x = np.hstack((x1.reshape(-1,1), x2.reshape(-1,1)))
    y = np.concatenate((y_1, y_2), axis=0)
    data_size_all = data_size_1+data_size_2
    shuffled_index = np.random.permutation(data_size_all)
    x = x[shuffled_index]
    y = y[shuffled_index]
    return x, y

def train_test_split(x, y):
    split_index = int(len(y)*0.7)
    x_train = x[:split_index]
    y_train = y[:split_index]
    x_test = x[split_index:]
    y_test = y[split_index:]
    return x_train, y_train, x_test, y_test

View Code

最後，建立 train.py 文件，調用以前本身寫的 LR 類模型實現分類任務，查看分類的精度。

# -*- coding: utf-8 -*-

import numpy as np
import matplotlib.pyplot as plt
import data_helper
from logistic_regression import *


# data generation
x, y = data_helper.generate_data(seed=272)
x_train, y_train, x_test, y_test = data_helper.train_test_split(x, y)

# visualize data
# plt.scatter(x_train[:,0], x_train[:,1], c=y_train, marker='.')
# plt.show()
# plt.scatter(x_test[:,0], x_test[:,1], c=y_test, marker='.')
# plt.show()

# data normalization
x_train = (x_train - np.min(x_train, axis=0)) / (np.max(x_train, axis=0) - np.min(x_train, axis=0))
x_test = (x_test - np.min(x_test, axis=0)) / (np.max(x_test, axis=0) - np.min(x_test, axis=0))

# Logistic regression classifier
clf = LogisticRegression(learning_rate=0.1, max_iter=500, seed=272)
clf.fit(x_train, y_train)

# plot the result
split_boundary_func = lambda x: (-clf.b - clf.w[0] * x) / clf.w[1]
xx = np.arange(0.1, 0.6, 0.1)
plt.scatter(x_train[:,0], x_train[:,1], c=y_train, marker='.')
plt.plot(xx, split_boundary_func(xx), c='red')
plt.show()

# loss on test set
y_test_pred = clf.predict(x_test)
y_test_pred_proba = clf.predict_proba(x_test)
print(clf.score(y_test, y_test_pred))
print(clf.loss(y_test, y_test_pred_proba))
# print(y_test_pred_proba)

View Code

2.2 sklearn

sklearn.linear_model模塊提供了不少模型供咱們使用，好比Logistic迴歸、Lasso迴歸、貝葉斯脊迴歸等，可見須要學習的東西還有不少不少。本篇文章，咱們使用LogisticRegressioin。

 

LogisticRegression這個函數，一共有14個參數，詳見 https://scikit-learn.org/dev/modules/generated/sklearn.linear_model.LogisticRegression.html

除此以外，LogisticRegression也有一些方法供咱們使用：

# -*- coding:UTF-8 -*-
from sklearn.linear_model import LogisticRegression

"""
函數說明:使用Sklearn構建Logistic迴歸分類器

Parameters:
    無
Returns:
    無

"""
def colicSklearn():
    frTrain = open('horseColicTraining.txt')                                        #打開訓練集
    frTest = open('horseColicTest.txt')                                                #打開測試集
    trainingSet = []; trainingLabels = []
    testSet = []; testLabels = []
    for line in frTrain.readlines():
        currLine = line.strip().split('\t')
        lineArr = []
        for i in range(len(currLine)-1):
            lineArr.append(float(currLine[i]))
        trainingSet.append(lineArr)
        trainingLabels.append(float(currLine[-1]))
    for line in frTest.readlines():
        currLine = line.strip().split('\t')
        lineArr =[]
        for i in range(len(currLine)-1):
            lineArr.append(float(currLine[i]))
        testSet.append(lineArr)
        testLabels.append(float(currLine[-1]))
    classifier = LogisticRegression(solver='liblinear',max_iter=10).fit(trainingSet, trainingLabels)
    test_accurcy = classifier.score(testSet, testLabels) * 100
    print('正確率:%f%%' % test_accurcy)

if __name__ == '__main__':
    colicSklearn()

View Code