逻辑回归案例

假设表示

基于上述情况,要使分类器的输出在[0,1]之间,可以采用假设表示的方法。
hθ( x ) = g ( θTx )h_θ (x)=g(θ^T x)hθ(x)=g(θTx)
其中 g ( z ) = 1 ( 1 + e − z) g(z)=\frac{1}{(1+e^{−z} )}g(z)=(1+ez)1, 称为逻辑函数(Sigmoid function,又称为激活函数,生物学上的S型曲线)
h θ(x)= 1 (1+ e − θ TX ) h_θ (x)=\frac{1}{(1+e^{−θ^T X} )} hθ(x)=(1+eθTX)1

其两条渐近线分别为h(x)=0和h(x)=1

在分类条件下,最终的输出结果是:
h θ(x)=P(y=1│x,θ)h_θ (x)=P(y=1│x,θ) hθ(x)=P(y=1│x,θ)

其代表在给定x的条件下 其y=1的概率

P(y=1│x,θ)+P(y=0│x,θ)=1P(y=1│x,θ)+P(y=0│x,θ)=1 P(y=1│x,θ)+P(y=0│x,θ)=1

决策边界( Decision boundary)

对假设函数设定阈值 h ( x ) = 0.5h(x)=0.5h(x)=0.5
h ( x ) ≥ 0.5h(x)≥0.5h(x)0.5 时,输出结果y=1.

根据假设函数的性质,当 x ≥ 0 时,x≥0时,x0时,h(x)≥0.5
θTxθ^T xθTx替换x,则当 θTx ≥ 0θ^T x≥0θTx0时, h ( x ) ≥ 0.5 , y = 1h(x)≥0.5,y=1h(x)0.5y=1

解出 θTx ≥ 0θ^T x≥0θTx0,其答案将会是一个在每一个 xi x_ixi轴上都有的不等式函数。

这个不等式函数将整个空间分成了y=1 和 y=0的两个部分,称之为决策边界

激活函数的代价函数

在线性回归中的代价函数:
J(θ)= 1 m ∑ i=1m 1 2( h θ( x (i) )− y (i)) 2J(θ)=\frac{1}{m}∑_{i=1}^m \frac{1}{2} (h_θ (x^{(i)} )−y^{(i)} )^2 J(θ)=m1i=1m21(hθ(x(i))y(i))2

C o s t ( h θ ( x ) , y ) = 12( hθ( x ( i )) − y ( i ))2 Cost(hθ (x),y)=\frac{1}{2}(h_θ (x^{(i)} )−y^{(i)} )^2Costhθ(x)y=21(hθ(x(i))y(i))2
Cost是一个非凹函数,有许多的局部最小值,不利于使用梯度下降法。对于分类算法,设置其代价函数为:
J(θ)=− 1 m ∑ i=1m[ y (i) log( h θ( x (i) ))−(1− y (i) )∗log(1− h θ( x (i) ))]J(θ)=-\frac{1}{m}∑_{i=1}^m [y^{(i)}log(h_θ (x^{(i)}) )−(1-y^{(i)})*log(1-h_θ (x^{(i)}))] J(θ)=m1i=1m[y(i)log(hθ(x(i)))(1y(i))log(1hθ(x(i)))]

对其化简:
Cost( h θ(x),y)=−ylog( h θ(x))−((1−y)log⁡(1− h θ(x)))Cost(h_θ (x),y)=−ylog(h_θ (x))−((1−y)log⁡(1−h_θ (x))) Costhθ(x),y=ylog(hθ(x))((1y)log(1hθ(x)))
检验:
y = 1y=1y=1时, − l o g ⁡ ( hθ( x ) )−log⁡(h_θ (x))log(hθ(x))
y = 0y=0y=0时, − l o g ⁡ ( 1 − hθ( x ) )−log⁡(1−h_θ (x))log(1hθ(x))

那么代价函数可以写成:
J(θ)=− 1 m[ ∑ i=1m y (i) log⁡( h θ( x (i) ))+(1− y (i) )log(1− h θ( x (i) ))]J(θ)=-\frac{1}{m}[∑_{i=1}^m y^{(i)} log⁡(h_θ(x^{(i)} ))+(1−y^{(i)}) log(1−h_θ (x^{(i)}))] J(θ)=m1[i=1my(i)log(hθ(x(i)))+(1y(i))log(1hθ(x(i)))]

对于代价函数,采用梯度下降算法求θ的最小值:
θ j ≔ θ j−α ∂J(θ)∂ θ j θ_j≔θ_j−α\frac{∂J(θ)}{∂θ_j} θj:=θjαθjJ(θ)
代入梯度:
θ j ≔ θ j−α ∑ i=1m( h θ( x (i) )− y (i) ) x j iθ_j≔θ_j−α∑_{i=1}^m(h_θ (x^{(i)} )−y^{(i)} ) x_j^i θj:=θjαi=1m(hθ(x(i))y(i))xji

sklearn 代码

导入库

##基础函数库import numpy as np ## 导入画图库import matplotlib.pyplot as plt## 导入逻辑回归模型函数from sklearn.linear_model import LogisticRegression

模型训练

## 构造数据集x_fearures = np.array([[-1, -2], [-2, -1], [-3, -2], [1, 3], [2, 1], [3, 2]])y_label = np.array([0, 0, 0, 1, 1, 1])## 调用逻辑回归模型lr_clf = LogisticRegression()## 用逻辑回归模型拟合构造的数据集lr_clf = lr_clf.fit(x_fearures, y_label) #其拟合方程为 y=w0+w1*x1+w2*x2

模型参数查看

## 查看其对应模型的wprint('the weight of Logistic Regression:',lr_clf.coef_)## 查看其对应模型的w0print('the intercept(w0) of Logistic Regression:',lr_clf.intercept_)

可视化构造的数据样本点

plt.figure()plt.scatter(x_fearures[:,0],x_fearures[:,1], c=y_label, s=50, cmap='viridis')plt.title('Dataset')plt.show()

模型预测

## 在训练集和测试集上分别利用训练好的模型进行预测y_label_new1_predict = lr_clf.predict(x_fearures_new1)y_label_new2_predict = lr_clf.predict(x_fearures_new2)print('The New point 1 predict class:\n',y_label_new1_predict)print('The New point 2 predict class:\n',y_label_new2_predict)## 由于逻辑回归模型是概率预测模型(前文介绍的 p = p(y=1|x,\theta)),所以我们可以利用 predict_proba 函数预测其概率y_label_new1_predict_proba = lr_clf.predict_proba(x_fearures_new1)y_label_new2_predict_proba = lr_clf.predict_proba(x_fearures_new2)print('The New point 1 predict Probability of each class:\n',y_label_new1_predict_proba)print('The New point 2 predict Probability of each class:\n',y_label_new2_predict_proba)