python编写Logistic逻辑回归

2019-11-25 15:29:35

字体：大中小

来源：转载

供稿：网友

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 npimport matplotlib.pyplot as pltdef 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,labelVecdef 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 wdef 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 npimport matplotlib.pyplot as pltdef 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,labelVecdef 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 wif __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*bcOut[66]: matrix([[ 6.830482]])

两个向量类型的向量相乘，结果为一个二维数组

bOut[80]: array([[ 1.],    [ 1.],    [ 1.]])aOut[81]: array([1, 2, 3])a*bOut[82]: array([[ 1., 2., 3.],    [ 1., 2., 3.],    [ 1., 2., 3.]])b*aOut[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武林网。

上一篇：python Crypto模块的安装与使用方法

下一篇：python+selenium识别验证码并登录的示例代码