python编写Logistic逻辑回归
作者：开贰锤
这篇文章主要介绍了python编写Logistic逻辑回归的相关代码，文中示例代码介绍的非常详细，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：
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：
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。
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：
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。
string.strip().split()
2.判断类型
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
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
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脚本之家。