关键词:
logistic回归
梯度上升法
import numpy as np
"""
function:
加载数据
parameter:
无
returns:
dataMat - 数据集
labelMat - 标签集
"""
def loadDataSet():
dataMat = []#数据集
labelMat = []#标签集
fr = open('testSet.txt')
for line in fr.readlines():
lineArr = line.strip().split()
dataMat.append([1.0, float(lineArr[0]), float(lineArr[1])])
labelMat.append(int(lineArr[2]))
return dataMat, labelMat
"""
function:
计算sigmoid函数
parameters:
inX - 变量
return:
ans - 结果
"""
def sigmoid(inX):
ans = 1.0 / (1+np.exp(-inX))
return ans
"""
function:
梯度上升
parameters:
dataMatIn - 数据集
classLabels - 标签集
return:
weights - 最优参数
"""
def gradAscent(dataMatIn, classLabels):
dataMatrix = np.mat(dataMatIn)
labelMat = np.mat(classLabels).transpose()#矩阵转置
m,n = np.shape(dataMatrix)
alpha = 0.001#步长
maxCycles = 500#迭代次数
weights = np.ones((n,1))
for k in range(maxCycles):
h = sigmoid(dataMatrix * weights)#100*3矩阵和100*1矩阵*乘,而不是dot乘
error = labelMat - h#这里labelMat广播了
weights = weights + alpha * dataMatrix.transpose() * error
return weights
if __name__ == "__main__":
dataArr, labelMat = loadDataSet()
w = gradAscent(dataArr,labelMat)
print(w)
做图
import numpy as np
import matplotlib.pyplot as plt
"""
function:
加载数据
parameter:
无
returns:
dataMat - 数据集
labelMat - 标签集
"""
def loadDataSet():
dataMat = []#数据集
labelMat = []#标签集
fr = open('testSet.txt')
for line in fr.readlines():
lineArr = line.strip().split()
dataMat.append([1.0, float(lineArr[0]), float(lineArr[1])])
labelMat.append(int(lineArr[2]))
return dataMat, labelMat
"""
function:
计算sigmoid函数
parameters:
inX - 变量
return:
ans - 结果
"""
def sigmoid(inX):
ans = 1.0 / (1+np.exp(-inX))
return ans
"""
function:
梯度上升
parameters:
dataMatIn - 数据集
classLabels - 标签集
return:
weights - 最优参数
"""
def gradAscent(dataMatIn, classLabels):
dataMatrix = np.mat(dataMatIn)
labelMat = np.mat(classLabels).transpose()#矩阵转置
m,n = np.shape(dataMatrix)
alpha = 0.001#步长
maxCycles = 500#迭代次数
weights = np.ones((n,1))
for k in range(maxCycles):
h = sigmoid(dataMatrix * weights)#100*3矩阵和100*1矩阵*乘,而不是dot乘
error = labelMat - h#这里labelMat广播了
weights = weights + alpha * dataMatrix.transpose() * error
return weights
"""
function:
做图
parameters:
dataMat - 数据集
weights - 系数
return:
无
"""
def plotBestFit(dataMat,weights):
dataMatrix = np.array(dataMat)
x1 = dataMatrix[0:,1]
y1 = dataMatrix[0:,2]
plt.scatter(x1,y1,s=25,marker='o')
plt.xlim([-4,4])
plt.ylim([-5,20])
x2 = np.arange(-3.0, 3.0, 0.1)
y2 = (-weights[0]-weights[1]*x2)/weights[2]
y2 = y2.T
plt.plot(x2,y2)
plt.show()
if __name__ == "__main__":
dataMat, labelMat = loadDataSet()
weights = gradAscent(dataMat,labelMat)
plotBestFit(dataMat,weights)
随机梯度上升
import numpy as np
import matplotlib.pyplot as plt
"""
function:
加载数据
parameter:
无
returns:
dataMat - 数据集
labelMat - 标签集
"""
def loadDataSet():
dataMat = []#数据集
labelMat = []#标签集
fr = open('testSet.txt')
for line in fr.readlines():
lineArr = line.strip().split()
dataMat.append([1.0, float(lineArr[0]), float(lineArr[1])])
labelMat.append(int(lineArr[2]))
return dataMat, labelMat
"""
function:
计算sigmoid函数
parameters:
inX - 变量
return:
ans - 结果
"""
def sigmoid(inX):
ans = 1.0 / (1+np.exp(-inX))
return ans
"""
function:
梯度上升
parameters:
dataMatIn - 数据集
classLabels - 标签集
return:
weights - 最优参数
"""
def gradAscent(dataMatIn, classLabels):
dataMatrix = np.mat(dataMatIn)
labelMat = np.mat(classLabels).transpose()#矩阵转置
m,n = np.shape(dataMatrix)
alpha = 0.001#步长
maxCycles = 500#迭代次数
weights = np.ones((n,1))
for k in range(maxCycles):
h = sigmoid(dataMatrix * weights)#100*3矩阵和100*1矩阵*乘,而不是dot乘
error = labelMat - h#这里labelMat广播了
weights = weights + alpha * dataMatrix.transpose() * error
return weights
"""
function:
做图
parameters:
dataMat - 数据集
weights - 系数
return:
无
"""
def plotBestFit(dataMat,weights):
dataMatrix = np.array(dataMat)
x1 = dataMatrix[0:,1]
y1 = dataMatrix[0:,2]
plt.scatter(x1,y1,s=25,marker='o')
plt.xlim([-4,4])
plt.ylim([-5,20])
x2 = np.arange(-3.0, 3.0, 0.1)
y2 = (-weights[0]-weights[1]*x2)/weights[2]
y2 = y2.T
plt.plot(x2,y2)
plt.show()
"""
function:
随机梯度上升
parameters:
dataMatrix - 数据集
classLabels - 标签集
return:
weights - 参数
"""
def stocGradAscent0(dataMatrix, classLabels):
m, n = np.shape(dataMatrix)
alpha = 0.01
weights = np.ones(n)
for i in range(m):
h = sigmoid(sum(dataMatrix[i]*weights))
error = classLabels[i] - h
weights = weights + alpha * error * dataMatrix[i]
return weights
if __name__ == "__main__":
dataArr, labelMat = loadDataSet()
weights = stocGradAscent0(np.array(dataArr),labelMat)
plotBestFit(dataArr,weights)
随机梯度上升改进
import numpy as np
import matplotlib.pyplot as plt
"""
function:
加载数据
parameter:
无
returns:
dataMat - 数据集
labelMat - 标签集
"""
def loadDataSet():
dataMat = []#数据集
labelMat = []#标签集
fr = open('testSet.txt')
for line in fr.readlines():
lineArr = line.strip().split()
dataMat.append([1.0, float(lineArr[0]), float(lineArr[1])])
labelMat.append(int(lineArr[2]))
return dataMat, labelMat
"""
function:
计算sigmoid函数
parameters:
inX - 变量
return:
ans - 结果
"""
def sigmoid(inX):
ans = 1.0 / (1+np.exp(-inX))
return ans
"""
function:
梯度上升
parameters:
dataMatIn - 数据集
classLabels - 标签集
return:
weights - 最优参数
"""
def gradAscent(dataMatIn, classLabels):
dataMatrix = np.mat(dataMatIn)
labelMat = np.mat(classLabels).transpose()#矩阵转置
m,n = np.shape(dataMatrix)
alpha = 0.001#步长
maxCycles = 500#迭代次数
weights = np.ones((n,1))
for k in range(maxCycles):
h = sigmoid(dataMatrix * weights)#100*3矩阵和100*1矩阵*乘,而不是dot乘
error = labelMat - h#这里labelMat广播了
weights = weights + alpha * dataMatrix.transpose() * error
return weights
"""
function:
做图
parameters:
dataMat - 数据集
weights - 系数
return:
无
"""
def plotBestFit(dataMat,weights):
dataMatrix = np.array(dataMat)
x1 = dataMatrix[0:,1]
y1 = dataMatrix[0:,2]
plt.scatter(x1,y1,s=25,marker='o')
plt.xlim([-4,4])
plt.ylim([-5,20])
x2 = np.arange(-3.0, 3.0, 0.1)
y2 = (-weights[0]-weights[1]*x2)/weights[2]
y2 = y2.T
plt.plot(x2,y2)
plt.show()
"""
function:
随机梯度上升
parameters:
dataMatrix - 数据集
classLabels - 标签集
return:
weights - 参数
"""
def stocGradAscent0(dataMatrix, classLabels):
m, n = np.shape(dataMatrix)
alpha = 0.01
weights = np.ones(n)
for i in range(m):
h = sigmoid(sum(dataMatrix[i]*weights))
error = classLabels[i] - h
weights = weights + alpha * error * dataMatrix[i]
return weights
"""
function:
随机梯度上升改进
parameters:
dataMatrix - 数据集
classLabels - 标签集
numIter - 迭代次数
return:
weights - 参数
"""
def stocGradAscent1(dataMatrix, classLabels, numIter=150):
m,n = np.shape(dataMatrix)
weights = np.ones(n)
for j in range(numIter):
dataIndex = list(range(m))
for i in range(m):
alpha = 4 / (1.0+j+i)+0.01
randIndex = int(np.random.uniform(0,len(dataIndex)))
h = sigmoid(sum(dataMatrix[randIndex]*weights))
error = classLabels[randIndex] - h
weights = weights + alpha * error * dataMatrix[randIndex]
del(dataIndex[randIndex])
return weights
if __name__ == "__main__":
dataArr, labelMat = loadDataSet()
weights = stocGradAscent1(np.array(dataArr),labelMat)
plotBestFit(dataArr,weights)
从疝气病预测病马的死亡率
import numpy as np
"""
function:
计算sigmoid函数
parameters:
inX - 变量
return:
ans - 结果
"""
def sigmoid(inX):
ans = 1.0 / (1+np.exp(-inX))
return ans
"""
function:
随机梯度上升改进
parameters:
dataMatrix - 数据集
classLabels - 标签集
numIter - 迭代次数
return:
weights - 参数
"""
def stocGradAscent1(dataMatrix, classLabels, numIter=150):
m,n = np.shape(dataMatrix)
weights = np.ones(n)
for j in range(numIter):
dataIndex = list(range(m))
for i in range(m):
alpha = 4 / (1.0+j+i)+0.01
randIndex = int(np.random.uniform(0,len(dataIndex)))
h = sigmoid(sum(dataMatrix[randIndex]*weights))
error = classLabels[randIndex] - h
weights = weights + alpha * error * dataMatrix[randIndex]
del(dataIndex[randIndex])
return weights
"""
function:
分类器
parameters:
inX - 待分类向量
weights - 参数
returns:
分类结果
"""
def classifyVector(inX, weights):
prob = sigmoid(sum(inX*weights))
if prob > 0.5:
return 1.0
else:
return 0.0
"""
function:
整个计算流程
parameters:
无
returns:
erroRate - 错误率
"""
def colicTest():
frTrain = open('horseColicTraining.txt')
frTest = open('horseColicTest.txt')
trainingSet = []
trainingLabels = []
for line in frTrain.readlines():
currLine = line.strip().split(' ')
lineArr = []
for i in range(21):
lineArr.append(float(currLine[i]))
trainingSet.append(lineArr)
trainingLabels.append(float(currLine[21]))
trainWeights = stocGradAscent1(np.array(trainingSet),trainingLabels,500)
errorCount = 0
numTestVec = 0.0
for line in frTest.readlines():
numTestVec += 1.0
currLine = line.strip().split(' ')
lineArr = []
for i in range(21):
lineArr.append(float(currLine[i]))
if (int(classifyVector(np.array(lineArr), trainWeights)) !=
int(currLine[21])):
errorCount += 1
errorRate = (float(errorCount) / numTestVec)
print("the error rate of this test is: %f" % errorRate)
return errorRate
def multiTest():
numTests = 10
errorSum = 0.0
for k in range(numTests):
errorSum += colicTest()
print("after %d itrations the average error rate is: %f" % (numTests,errorSum/float(numTests)))
if __name__ == "__main__":
multiTest()
《机器学习实战》学习笔记:logistic回归(代码片段)
欢迎关注WX公众号:【程序员管小亮】【机器学习】《机器学习实战》读书笔记及代码总目录https://blog.csdn.net/TeFuirnever/article/details/99701256GitHub代码地址:https://github.com/TeFuirnever/Machine-Learning-in-Action——————————... 查看详情
机器学习实战 logistic回归(代码片段)
logistic回归梯度上升法importnumpyasnp"""function:加载数据parameter:无returns:dataMat-数据集labelMat-标签集"""defloadDataSet():dataMat=[]#数据集labelMat=[]#标签集fr=open('testSet.txt')forlineinfr.readlines():lineArr=line.strip().split()dat... 查看详情
机器学习实战笔记logistic回归
参考链接http://blog.csdn.net/lu597203933/article/details/38468303Logistic代码#Logistic回归分类使用梯度上升找最佳参数importnumpyasnpdefloadDataSet():datMat=[];labelMat=[]fr=open(‘testSet.txt‘)forlineinfr.readlines():lineAr 查看详情
《机器学习实战》logistic回归算法
=====================================================================《机器学习实战》系列博客是博主阅读《机器学习实战》这本书的笔记也包含一些其他python实现的机器学习算法 查看详情
机器学习实战第5章logistic回归
第5章Logistic回归Logistic回归概述Logistic回归虽然名字叫回归,但是它是用来做分类的。其主要思想是:根据现有数据对分类边界线建立回归公式,以此进行分类。须知概念Sigmoid函数回归概念假设现在有一些数据点,我们用一条直线... 查看详情
[机器学习实战]logistic回归
1.Logistic回归: 1)优点:计算代价不高,易于理解和实现; 2)缺点:容易欠拟合,分类精度可能不高; 3)适用数据类型:数值型和标称型数据; 2.分类思想: 根据现有数据对分类边界线建立回归公式,以此... 查看详情
机器学习实战精读--------logistic回归
Logistic回归的主要目的:寻找一个非线性函数sigmod最佳的拟合参数拟合、插值和逼近是数值分析的三大工具回归:对一直公式的位置参数进行估计拟合:把平面上的一些系列点,用一条光滑曲线连接起来logistic主要思想:根据现... 查看详情
机器学习实战------利用logistics回归预测病马死亡率
...战部分一直托更,很不好意思。本文实验数据与代码来自机器学习实战这本书,倾删。一:前期代码准备1.1数据预处理还是一样,设置两个数组,前两个作为特征值,后一个作为标签。当然这是简单的处理,实际开发中特征值都... 查看详情
机器学习--logistic回归(代码片段)
logistic回归很多时候我们需要基于一些样本数据去预测某个事件是否发生,如预测某事件成功与失败,某人当选总统是否成功等。这个时候我们希望得到的结果是bool型的,即trueorfalse我们最先想到的是通过最小二乘法求出线性回归... 查看详情
机器学习logistic分类回归算法(二元分类&多元分类)(代码片段)
...合伙人,全栈领域优质创作者。该文章收录专栏✨—机器学习—✨【机器学习】logistics分类一、线性回归能用于分类吗?二、二元分类2.1假设函数2.1.1案例一2.1.2例子二2.2拟合logistic回归参数θi\\theta_iθi三、 查看详情
机器学习实战之logistic回归
...2.logistic回归分类函数 一、概述 分类技术是机器学习和数据挖掘应用中的重要组成部分。在数据科学中,大约70%的问题属于分类问题。解决分类问题的算法也有很多种,比如 查看详情
机器学习实战四(logisticregression)
机器学习实战四(LogisticRegression)这一章会初次接触最优化算法,在日常生活中应用很广泛。这里我们会用到基本的梯度上升法,以及改进的随机梯度上升法。Logistic回归优点:计算代价不高,易于理解和实现缺点:容易欠拟合... 查看详情
机器学习--logistics(代码片段)
摘要1.Logistic回归分类2.梯度下降法3.代码实现与解释 Logistic回归逻辑斯特回归(logisticregression)是一种非常经典的分类方法。其用到的分类函数一般为Sigmoid函数,其函数形式为: 其图形表示如下: 从图中我们可... 查看详情
机器学习之logistic回归算法
1Logistic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[(hθ(x(i))-y(i) )]*xi。经过查找资料才知道,... 查看详情
机器学习-逻辑回归与线性回归(代码片段)
logistic回归与线性回归实际上有很多相同之处,最大的区别就在于他们的因变量不同,其他的基本都差不多,正是因为如此,这两种回归可以归于同一个家族,即广义线性模型(generalized linear model)。这一家族中的模型形... 查看详情
机器学习100天(十八):018逻辑回归python实战(代码片段)
机器学习100天,今天讲的是:逻辑回归Python实战。我们打开spyder。首先,导入标准库和数据集。#导入标准库importnumpyasnpimportmatplotlib.pyplotaspltimportpandasaspd#导入数据集dataset=pd.read_csv(\'data.csv\')X=dataset.iloc[:, 查看详情
机器学习100天(十八):018逻辑回归python实战(代码片段)
机器学习100天,今天讲的是:逻辑回归Python实战。我们打开spyder。首先,导入标准库和数据集。#导入标准库importnumpyasnpimportmatplotlib.pyplotaspltimportpandasaspd#导入数据集dataset=pd.read_csv(\'data.csv\')X=dataset.iloc[:, 查看详情
机器学习实战运用:速刷牛客5道机器学习题目(代码片段)
目录前言一、AI1 鸢尾花分类_1描述:解答:二、AI2 鸢尾花分类_2描述解答三、 AI3 决策树的生成与训练-信息熵的计算描述 解答 四、AI4 决策树的生成与训练-信息增益描述 解答:选择最优划分算法 五、AI5 使用... 查看详情