机器学习之Logistic 回归算法

声明：本篇博文是学习《机器学习实战》一书的方式路程，系原创，若转载请标明来源。

1 Logistic 回归算法的原理

1.1 需要的数学基础

我在看机器学习实战时对其中的代码非常费解，说好的利用偏导数求最值怎么代码中没有体现啊，就一个简单的式子：θ= θ - α Σ [( h_θ(x⁽ⁱ⁾)-y⁽ⁱ⁾ ) ] * x_{i 。}经过查找资料才知道，书中省去了大量的理论推导过程，其中用到了线性函数、sigmoid 函数、偏导数、最大似然函数、梯度下降法。下面让我们一窥究竟，是站在大神的肩膀描述我自己的见解。

1.2 Logistic 回归的引入

Logistic 回归是概率非线性模型，用于处理二元分类结果，名为回归实为分类。下面给出一个二元分类的例子，如下图所示：

图中数据分成两类，打叉的一类用 y = 1 表示，另一类为圆圈用 y= 0 表示。现在我们要对数据进行分类，要找到一个分类函数(边界线)，我们很容易得出一个线性函数对其分类：0 = θ₀ + θ₁x₁ + θ₂x₂ 。但我们想要的函数应该是，能接受所有的输入然后预测类别。例如：在两个分类的情况下，函数输出 0 或 1。因此，我们就需要引入Sigmoid 函数，这个函数的性质可以满足要求。Sigmoid 函数：

Sigmoid 函数的值域为（0,1），且具有良好的从0 到 1 的跳跃性，如在两个不同的坐标尺度下的函数图形：

所以，我们把线性方程和Sigmoid 函数结合起来就能解决问题。即 ：分类预测函数 h_θ (x) = g( θ₀ + θ₁x₁ + θ₂x₂) .我们就可以对样本数据进行分类，如下图所示：

 

对于线性的分类边界，如下形式：

分类预测函数，如下形式：

其中，θ^T 是向量 θ (θ₀, θ₁,... ,θ_n) 的转置，向量 x ( x₀ , x₁ ,... , x_n)，n -1为数据的维度，x₀ =1，这是便于计算。

 1.3 分类预测函数问题的转化成求θ

 通过上面的分析，我们得出了分类预测函数 h_θ(x) , 但其中向量 x 是已知的（x 是未知类别号的对象数据），向量 θ 未知，即我们把求分类函数问题转化成求向量 θ 。因为Sigmoid 函数的取值区间（0,1），那我们可以看做概率 P（y = 1 | x_i ; θ）= h_θ(x) , 表示在 x_i 确定的情况下，类别 y = 1 的概率。由此，我们也可以得出在 x_i 确定的情况下，类别 y = 0 的概率  P（y = 0 | x_i ; θ）= 1 -  P（y = 1 | x_i ; θ）= 1 - h_θ(x) . 即 ：

我们可以将这两个式子合并得：

其中的 y = 0 或 1 .

这时候我们可以利用最大似然函数对向量 θ 求值，可以理解为选取的样本数据的概率是最大的，那么样本数为 m 的似然函数为：

通过对数的形式对似然函数进行变化，对数似然函数：

 

 这里的最大似然函数的值就是我们所要求的向量 θ , 而求解的方法利用梯度下降法。

1.4 梯度下降法求解θ

 在用梯度下降法时，我们将会利用Sigmoid 函数的一个性质： g^, (z) = g(z）[ 1- g(z) ] 。

构造一个Cost函数（损失函数），该函数表示预测的输出（h）与训练数据类别（y）之间的偏差，可以是二者之间的差（h-y）或者是其他的形式。综合考虑所有训练数据的“损失”，将Cost求和或者求平均，记为J(θ)函数，表示所有训练数据预测值与实际类别的偏差。

损失函数：

 

J(θ)代价函数：

 

其中，x⁽ⁱ⁾ 每个样本数据点在某一个特征上的值，即特征向量x的某个值，y(i) 是类别号，m 是样本对象个数。

梯度下降法含义：

梯度下降法，就是利用负梯度方向来决定每次迭代的新的搜索方向，使得每次迭代能使待优化的目标函数逐步减小。梯度其实就是函数的偏导数。

这里对用梯度下降法对 J (θ) 求最小值，与求似然函数的最大值是一样的。则 J(θ) 最小值的求解过程：

其中 α 是步长。

则可以得出：

因为 α 是个常量，所以一般情况可以把 1/m 省去，省去不是没有用1/m ，只是看成 α 和1/m 合并成 α 。

最终式子为：

这就是一开始，我对代码中公式困惑的地方。在这里我在补充一点，以上的梯度下降法可以认为是批量梯度下降法（Batch Gradient Descent），由于我们有m个样本，这里求梯度的时候就用了所有m个样本的梯度数据。下面介绍随机梯度下降法（Stochastic Gradient Descent）：

 随机梯度下降法，其实和批量梯度下降法原理类似，区别在与求梯度时没有用所有的m个样本的数据，而是仅仅选取一个样本j来求梯度。随机梯度下降法，和4.1的批量梯度下降法是两个极端，一个采用所有数据来梯度下降，一个用一个样本来梯度下降。自然各自的优缺点都非常突出。对于训练速度来说，随机梯度下降法由于每次仅仅采用一个样本来迭代，训练速度很快，而批量梯度下降法在样本量很大的时候，训练速度不能让人满意。对于准确度来说，随机梯度下降法用于仅仅用一个样本决定梯度方向，导致解很有可能不是最优。对于收敛速度来说，由于随机梯度下降法一次迭代一个样本，导致迭代方向变化很大，不能很快的收敛到局部最优解。公式为：

到这里已经把Logistics 回归的原理推导完成。这里对以上推导做一次总结：

 边界线 ——> Sigmoid 函数 ——>求向量 θ ——> P(y=1 | x ; θ) = h_θ(x) —— > 似然函数 l (θ) ——> 代价函数 J (θ) ——> 梯度下降法求解向量 θ ——> 最终公式 θ_j

 2 使用python 实现Logistic 回归

2.1 Logistic 回归梯度上升优化算法

2.1.1 收集数据和处理数据

# 从文件中提取数据
def loadDataSet():
    dataMat = [] ; labelMat = []
    fr = open('testSet.txt')
    for line in fr.readlines(): # 对文件的数据进行按行遍历
        lineArr  = line.strip().split()
        dataMat.append([1.0, float(lineArr [0]), float(lineArr[1])])
        labelMat.append(int(lineArr[2])) # 数据的类别号列表
    return dataMat , labelMat

2.1.2 Sigmoid 函数

# 定义sigmoid 函数
def sigmoid(inX):
    return longfloat( 1.0 / (1 + exp(-inX)))

使用longfloat() 是为防止溢出。 

 2.1.3 批量梯度上升算法的实现

# Logistic 回归梯度上升优化算法
def gradAscent(dataMatIn, classLabels):
    dataMatrix = mat(dataMatIn) # 将数列转化成矩阵
    labelMat = mat(classLabels).transpose() # 将类标号转化成矩阵并转置成列向量
    m,n = shape(dataMatrix) # 获得矩阵dataMatrix 的行、列数
    alpha = 0.001 # 向目标移动的步长
    maxCycles = 500 # 迭代次数
    weights = ones((n ,1)) # 生成 n 行 1 列的 矩阵且值为1
    for k in range(maxCycles):
        h = sigmoid(dataMatrix*weights) # dataMatrix*weights 是 m * 1 的矩阵，其每一个元素都会调用sigmoid()函数，h 也是一个 m * 1 的矩阵
        error = (labelMat - h) # 损失函数
        weights = weights + alpha + dataMatrix.transpose()* error # 每步 weights 该变量
    return weights.getA()

解释第 13 行代码：矩阵通过这个getA()这个方法可以将自身返回成一个n维数组对象 ，因为plotBestFit()函数中有计算散点x,y坐标的部分，其中计算y的时候用到了weights，如果weights是矩阵的话，weights[1]就是[0.48007329]（注意这里有中括号！），就不是一个数了，最终你会发现y的计算结果的len()只有1，而x的len()则是60。

2.2 根据批量梯度上升法分析数据：画出决策边界

# 对数据分类的边界图形显示
def plotBestFit(weights):
    import matplotlib.pyplot as plt
    dataMat,labelMat=loadDataSet()
    dataArr = array(dataMat)
    n = shape(dataArr)[0] # 数据的行数，即对象的个数
    xcord1 = []; ycord1 = [] # 对类别号为 1 的对象，分 X 轴和 Y 轴的数据
    xcord2 = []; ycord2 = [] # 对类别号为 0 的对象，分 X 轴和 Y 轴的数据
    for i in range(n): # 对所有的对象进行遍历
        if int(labelMat[i])== 1:  # 对象的类别为：1
            xcord1.append(dataArr[i,1]); ycord1.append(dataArr[i,2])
        else:
            xcord2.append(dataArr[i,1]); ycord2.append(dataArr[i,2])
    fig = plt.figure()
    ax = fig.add_subplot(111)
    ax.scatter(xcord1, ycord1, s=30, c='red', marker='s') # 对散点的格式的设置，坐标号、点的大小、颜色、点的图形（方块）
    ax.scatter(xcord2, ycord2, s=30, c='green') # 点的图形默认为圆
    x = arange(-3.0, 3.0, 0.1)
    y = (-weights[0]-weights[1]*x)/weights[2] # 线性方程 y = aX + b,y 是数据第三列的特征，X 是数据第二列的特征
    ax.plot(x, y)
    plt.xlabel('X1'); plt.ylabel('X2')
    plt.show()

运行结果：

有结果效果图可知，边界线基本可以对样本进行较好的分类。

2.3 利用随机梯度上升法训练样本

 

# 随机梯度上升法
def stocGradAscent0(dataMatrix, classLabels, numIter=150):
    m,n = shape(dataMatrix )
    weights = ones(n)
    for j in range(numIter): # 迭代次数
        dataIndex = range(m) #
        for i in range(m): # 对所有对象的遍历
            alpha = 4/(1.0+j+i)+0.01  # 对步长的调整
            randIndex = int (random.uniform(0,len(dataIndex))) # 随机生成一个整数，介于 0 到 m
            h = sigmoid(sum(dataMatrix[randIndex]*weights)) # 对随机选择的对象计算类别的数值（回归系数值）
            error = classLabels[randIndex] - h # 根据实际类型与计算类型值的误差，损失函数
            weights = weights + alpha * error * dataMatrix[randIndex]  # 每步 weights 改变值
            del(dataIndex [randIndex]) # 去除已经选择过的对象，避免下次选中
    return weights

在随机梯度上升法求解的 θ ，对样本进行分类，并画出其边界线，运行的结果图：

利用随机梯度上升法，通过150 次迭代得出的效果图和批量梯度上升法的效果图差不过，但随机梯度的效率比批量梯度上升法快很多。

 3 实例：从疝气病症预测病马的死亡率

 3.1 未知对象的预测

# 对未知对象进行预测类别号
def classifyVector(inX , weights):
    prob = sigmoid(sum(inX * weights)) # 计算回归系数
    if prob > 0.5:
        return 1.0
    else:
        return 0.0

3.2 样本数据和测试函数

 

# 实例：从疝气病预测病马的死亡率
def colicTest():
    frTrain = open('horseColicTraining.txt'); frTest = open('horseColicTest.txt')# 数据文件
    trainingSet = []; trainingLabels = [] # 样本集和类标号集的初始化
    for line in frTrain.readlines():
        currLine = line.strip().split('\t') # 根据制表符进行字符串的分割
        lineArr =[]
        for i in range(21):
            lineArr.append(float(currLine[i]))
        trainingSet.append(lineArr)
        trainingLabels.append(float(currLine[21]))
    #trainWeights = stocGradAscent0(array(trainingSet), trainingLabels, 500) # 通过对训练样本计算出回归系数
    trainWeights = gradAscent(array(trainingSet), trainingLabels)   # 通过对训练样本计算出回归系数
    errorCount = 0; numTestVec = 0.0 # 错误个数和错误率的初始化
    # 预测样本的遍历
    for line in frTest.readlines():
        numTestVec += 1.0
        currLine = line.strip().split('\t')
        lineArr =[]
        for i in range(21):
            lineArr.append(float(currLine[i]))
        if int(classifyVector(array(lineArr), trainWeights))!= int(currLine[21]): # 预测的类别号与真实类别号的比较
            errorCount += 1
    errorRate = (float(errorCount)/numTestVec)
    print u'本次测试的错误率是; %f' % errorRate
    return errorRate

3.3 预测结果函数

# 预测结果函数
def multiTest():
    numTests = 10; errorSum = 0.0
    for k in range(numTests):
        errorSum += colicTest()
    print u'经过 %d 次测试结果的平均错误率是： %f ' % (numTests ,errorSum /float(numTests))

利用随机梯度上升法训练的样本集，测试结果：

利用批量梯度上升法训练的样本集，测试结果：

附 完整程序

# coding:utf-8
from numpy import *

# 从文件中提取数据
def loadDataSet():
    dataMat = [] ; labelMat = []
    fr = open('testSet.txt')
    for line in fr.readlines(): # 对文件的数据进行按行遍历
        lineArr  = line.strip().split()
        dataMat.append([1.0, float(lineArr [0]), float(lineArr[1])])
        labelMat.append(int(lineArr[2])) # 数据的类别号列表
    return dataMat , labelMat

# 定义sigmoid 函数
def sigmoid(inX):
    return longfloat( 1.0 / (1 + exp(-inX)))

# Logistic 回归批量梯度上升优化算法
def gradAscent(dataMatIn, classLabels):
    dataMatrix = mat(dataMatIn) # 将数列转化成矩阵
    labelMat = mat(classLabels).transpose() # 将类标号转化成矩阵并转置成列向量
    m,n = shape(dataMatrix) # 获得矩阵dataMatrix 的行、列数
    alpha = 0.001 # 向目标移动的步长
    maxCycles = 500 # 迭代次数
    weights = ones((n ,1)) # 生成 n 行 1 列的 矩阵且值为1
    for k in range(maxCycles):
        h = sigmoid(dataMatrix*weights) # dataMatrix*weights 是 m * 1 的矩阵，其每一个元素都会调用sigmoid()函数，h 也是一个 m * 1 的矩阵
        error = (labelMat - h) # 损失函数
        weights = weights + alpha + dataMatrix.transpose()* error # 每步 weights 该变量
    return weights.getA()

# 对数据分类的边界图形显示
def plotBestFit(weights):
    import matplotlib.pyplot as plt
    dataMat,labelMat=loadDataSet()
    dataArr = array(dataMat)
    n = shape(dataArr)[0] # 数据的行数，即对象的个数
    xcord1 = []; ycord1 = [] # 对类别号为 1 的对象，分 X 轴和 Y 轴的数据
    xcord2 = []; ycord2 = [] # 对类别号为 0 的对象，分 X 轴和 Y 轴的数据
    for i in range(n): # 对所有的对象进行遍历
        if int(labelMat[i])== 1:  # 对象的类别为：1
            xcord1.append(dataArr[i,1]); ycord1.append(dataArr[i,2])
        else:
            xcord2.append(dataArr[i,1]); ycord2.append(dataArr[i,2])
    fig = plt.figure()
    ax = fig.add_subplot(111)
    ax.scatter(xcord1, ycord1, s=30, c='red', marker='s') # 对散点的格式的设置，坐标号、点的大小、颜色、点的图形（方块）
    ax.scatter(xcord2, ycord2, s=30, c='green') # 点的图形默认为圆
    x = arange(-3.0, 3.0, 0.1)
    y = (-weights[0]-weights[1]*x)/weights[2] # 线性方程 y = aX + b,y 是数据第三列的特征，X 是数据第二列的特征
    ax.plot(x, y)
    plt.xlabel('X1'); plt.ylabel('X2')
    plt.show()

# 随机梯度上升法
def stocGradAscent0(dataMatrix, classLabels, numIter=150):
    m,n = shape(dataMatrix )
    weights = ones(n)
    for j in range(numIter): # 迭代次数
        dataIndex = range(m) #
        for i in range(m): # 对所有对象的遍历
            alpha = 4/(1.0+j+i)+0.01  # 对步长的调整
            randIndex = int (random.uniform(0,len(dataIndex))) # 随机生成一个整数，介于 0 到 m
            h = sigmoid(sum(dataMatrix[randIndex]*weights)) # 对随机选择的对象计算类别的数值（回归系数值）
            error = classLabels[randIndex] - h # 根据实际类型与计算类型值的误差，损失函数
            weights = weights + alpha * error * dataMatrix[randIndex]  # 每步 weights 改变值
            del(dataIndex [randIndex]) # 去除已经选择过的对象，避免下次选中
    return weights

# 对未知对象进行预测类别号
def classifyVector(inX , weights):
    prob = sigmoid(sum(inX * weights)) # 计算回归系数
    if prob > 0.5:
        return 1.0
    else:
        return 0.0

# 实例：从疝气病预测病马的死亡率
def colicTest():
    frTrain = open('horseColicTraining.txt'); frTest = open('horseColicTest.txt')# 数据文件
    trainingSet = []; trainingLabels = [] # 样本集和类标号集的初始化
    for line in frTrain.readlines():
        currLine = line.strip().split('\t') # 根据制表符进行字符串的分割
        lineArr =[]
        for i in range(21):
            lineArr.append(float(currLine[i]))
        trainingSet.append(lineArr)
        trainingLabels.append(float(currLine[21]))
    trainWeights = stocGradAscent0(array(trainingSet), trainingLabels, 500) # 通过随机梯度上升法计算回归系数
    #trainWeights = gradAscent(array(trainingSet), trainingLabels)   # 通过批量梯度上升法计算出回归系数
    errorCount = 0; numTestVec = 0.0 # 错误个数和错误率的初始化
    # 预测样本的遍历
    for line in frTest.readlines():
        numTestVec += 1.0
        currLine = line.strip().split('\t')
        lineArr =[]
        for i in range(21):
            lineArr.append(float(currLine[i]))
        if int(classifyVector(array(lineArr), trainWeights))!= int(currLine[21]): # 预测的类别号与真实类别号的比较
            errorCount += 1
    errorRate = (float(errorCount)/numTestVec)
    print u'本次测试的错误率是; %f' % errorRate
    return errorRate

# 预测结果函数
def multiTest():
    numTests = 10; errorSum = 0.0
    for k in range(numTests):
        errorSum += colicTest()
    print u'经过 %d 次测试结果的平均错误率是： %f ' % (numTests ,errorSum /float(numTests))

if __name__ == '__main__':
  # 用批量梯度上升法画边界线
    '''
    dataSet, labelSet = loadDataSet()
    #weights = gradAscent(dataSet, labelSet)
    #plotBestFit(weights)
    '''
    # 用随机梯度上升法画边界线
    '''
     dataSet, labelSet = loadDataSet()
    #weightss = stocGradAscent0(array(dataSet), labelSet )
    #plotBestFit(weightss)
   '''
   # 实例的预测
    multiTest()