📅  最后修改于: 2020-04-22 05:41:49             🧑  作者: Mango
先决条件: 线性回归
本文讨论Logistic回归的基本知识及其在Python中的实现。逻辑回归基本上是一种监督分类算法。在分类问题中,目标变量(或输出)y对于给定的一组特征(或输入)X只能采用离散值。
与普遍的看法相反,逻辑回归是一种回归模型。该模型构建回归模型,以预测给定数据条目属于编号为“ 1″的类别的概率。就像线性回归假设数据遵循线性函数一样,逻辑回归也使用S型函数对数据进行建模。
仅当将决策阈值引入时,逻辑回归才成为分类技术。阈值的设置是Logistic回归的一个非常重要的方面,并且取决于分类问题本身。
阈值的决定主要受精度和召回率的影响。理想情况下,我们希望精度和召回率都为1,但这很少是这种情况。如果进行精确召回权衡,我们使用以下参数来决定阈值:
1. 低精度/高召回率:在我们希望减少假阴性的数量而不必减少假阳性的数量的应用中,我们选择精度低或召回率高的决策值。例如,在癌症诊断应用程序中,我们不希望任何被误诊为癌症的患者都被分类为未受影响。这是因为,可以通过进一步的医学疾病检测到癌症的不存在,但是在已经被拒绝的候选人中不能检测到疾病的存在。
2. 高精度/低召回率:在我们希望减少误报次数而不必减少误报数的应用中,我们选择一个决策值,该决策值应具有Precision值较高或Recall值较低的情况。例如,如果我们要分类客户对个性化广告的正面还是负面反应,则我们要绝对确定客户会对广告产生正面反应,否则,负面反应可能会导致潜在的销售损失。
根据类别数,Logistic回归可分为:
首先,我们探索Logistic回归的最简单形式,即二项式Logistic回归。
二项式Logistic回归
考虑一个示例数据集,该数据集将学习时间与考试结果对应起来。结果只能采用两个值,即通过(1)或失败(0):
小时(X) | 0.50 | 0.75 | 1.00 | 1.25 | 1.50 | 1.75 | 2.00 | 2.25 | 2.50 | |||||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
通过(Y) | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 1 |
2.75 | 3.00 | 3.25 | 3.50 | 3.75 | 4.00 | 4.25 | 4.50 | 4.75 | 5.00 | 5.50 |
0 | 1 | 0 | 1 | 0 | 1 | 1 | 1 | 1 | 1 | 1 |
因此,我们拥有
y是一个分类目标变量,它只能采用两种可能的类型:“ 0″或“ 1″。
为了概括我们的模型,我们假设:
如果您已经进行了线性回归,您应该记得在线性回归中,我们用于预测的假设是:
其中,是回归系数。
令回归系数矩阵/向量为:
然后,以更紧凑的形式表达:
现在取=1 的原因非常清楚。
我们需要做一个矩阵乘积,但是在原始假设公式中并没有
实际相乘的结果。因此,我们定义= 1。
现在,如果我们尝试对上述问题应用线性回归,则可能会使用上面讨论的假设来获得连续值。同样,取大于1或小于0的值也没有意义。
因此,对分类假设进行了一些修改:
其中,
称为对数函数或S形函数。
这是显示g(z)的图: 我们可以从上图推断:
因此,现在,我们可以将第的观察的两个标签(0和1)的条件概率定义为:
我们可以更紧凑地写为:
现在,我们定义另一个术语,参数的似然为:
给定一个模型和特定的参数值,似然不过是数据的概率。它针对的每个可能的值测量数据提供的支持。我们通过给定的全部相乘得到它。
为了简化计算,我们采用对数似然性:对数回归
的cost函数与参数似然性成反比。因此,我们可以使用对数似然方程得出cost函数J的表达式:
我们的目标是进行估算以使成本函数最小!
使用梯度下降算法
首先,我们分别使用中,的偏导数来推导随机梯度下降规则(此处仅给出最终推导值):
在此,y和h(x)分别表示响应向量和预测响应向量。同样,是表示第特征观测值的向量。
现在,为了获得最小的 ,
这里称为学习率,需要明确设置。
让我们在样本数据集上查看上述技术的Python实现(从此处下载):
2.25 2.50 2.75 3.00 3.25 3.50 3.75 4.00 4.25 4.50 4.75 5.00 5.50
import csv
import numpy as np
import matplotlib.pyplot as plt
def loadCSV(filename):
'''
加载数据集的功能
'''
with open(filename,"r") as csvfile:
lines = csv.reader(csvfile)
dataset = list(lines)
for i in range(len(dataset)):
dataset[i] = [float(x) for x in dataset[i]]
return np.array(dataset)
def normalize(X):
'''
归一化特征矩阵X的函数
'''
mins = np.min(X, axis = 0)
maxs = np.max(X, axis = 0)
rng = maxs - mins
norm_X = 1 - ((maxs - X)/rng)
return norm_X
def logistic_func(beta, X):
'''
逻辑(S形)函数
'''
return 1.0/(1 + np.exp(-np.dot(X, beta.T)))
def log_gradient(beta, X, y):
'''
逻辑梯度函数
'''
first_calc = logistic_func(beta, X) - y.reshape(X.shape[0], -1)
final_calc = np.dot(first_calc.T, X)
return final_calc
def cost_func(beta, X, y):
'''
cost函数,J
'''
log_func_v = logistic_func(beta, X)
y = np.squeeze(y)
step1 = y * np.log(log_func_v)
step2 = (1 - y) * np.log(1 - log_func_v)
final = -step1 - step2
return np.mean(final)
def grad_desc(X, y, beta, lr=.01, converge_change=.001):
'''
梯度下降函数
'''
cost = cost_func(beta, X, y)
change_cost = 1
num_iter = 1
while(change_cost > converge_change):
old_cost = cost
beta = beta - (lr * log_gradient(beta, X, y))
cost = cost_func(beta, X, y)
change_cost = old_cost - cost
num_iter += 1
return beta, num_iter
def pred_values(beta, X):
'''
预测标签的功能
'''
pred_prob = logistic_func(beta, X)
pred_value = np.where(pred_prob >= .5, 1, 0)
return np.squeeze(pred_value)
def plot_reg(X, y, beta):
'''
绘制决策边界的函数
'''
# 标记的观察
x_0 = X[np.where(y == 0.0)]
x_1 = X[np.where(y == 1.0)]
# 用差异颜色绘制差异标签的点
plt.scatter([x_0[:, 1]], [x_0[:, 2]], c='b', label='y = 0')
plt.scatter([x_1[:, 1]], [x_1[:, 2]], c='r', label='y = 1')
# 绘制决策边界
x1 = np.arange(0, 1, 0.1)
x2 = -(beta[0,0] + beta[0,1]*x1)/beta[0,2]
plt.plot(x1, x2, c='k', label='reg line')
plt.xlabel('x1')
plt.ylabel('x2')
plt.legend()
plt.show()
if __name__ == "__main__":
# 加载数据集
dataset = loadCSV('dataset1.csv')
# 归一化特征矩阵
X = normalize(dataset[:, :-1])
# stacking columns wth all ones in feature matrix
X = np.hstack((np.matrix(np.ones(X.shape[0])).T, X))
# 响应向量
y = dataset[:, -1]
# 初始Beta值
beta = np.matrix(np.zeros(X.shape[1]))
# 运行梯度下降后的beta值
beta, num_iter = grad_desc(X, y, beta)
# 估计的beta值和迭代次数
print("估计的回归系数:", beta)
print("迭代次数:", num_iter)
# 预测标签
y_pred = pred_values(beta, X)
# 正确预测的标签数
print("正确预测的标签:", np.sum(y == y_pred))
# plotting regression line
plot_reg(X, y, beta)
输出:
估计的回归系数: [[ 1.70474504 15.04062212 -20.47216021]]
迭代次数: 2612
正确预测的标签: 100
注意:梯度下降是多种估算的方法之一。
基本上,这些是更高级的算法,一旦您定义了cost函数和梯度,就可以轻松地在Python中运行。这些算法是:
与梯度下降相比,使用这些算法中的任何一种的优点/缺点:
多项式Logistic回归
在多项式Logistic回归中,输出变量可以具有两个以上的可能离散输出。考虑数字数据集。在这里,输出变量是数字值,可以取不到(0、12、3、4、5、6、7、8、9)中的值。
下面给出了使用scikit-learn对数字数据集进行预测的多项式Logisitc回归的实现。
from sklearn import datasets, linear_model, metrics
# 加载数字数据集
digits = datasets.load_digits()
# 定义特征矩阵(X)和响应向量(y)
X = digits.data
y = digits.target
# 将X和y分为训练和测试集
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.4,
random_state=1)
# 创建逻辑回归对象
reg = linear_model.LogisticRegression()
# 使用训练集训练模型
reg.fit(X_train, y_train)
# 对测试集进行预测
y_pred = reg.predict(X_test)
# 比较实际响应值(y_test)与预测响应值(y_pred)
print("Logistic回归模型的准确性(%):",
metrics.accuracy_score(y_test, y_pred)*100)
输出:
Logistic回归模型的准确性(%): 95.6884561892
最后,需要考虑以下有关Logistic回归的要点: