在本系列文章中提到过用Python机器学习(2)数据拟合与广义线性回归中提到过回归算法来进行数值预测。逻辑回归算法本质还是回归，只是其引入了逻辑函数来帮助其分类。实践发现，逻辑回归在文本分类领域表现的也很优秀。现在让我们来一探究竟。
1、逻辑函数
假设数据集有n个独立的特征，x1到xn为样本的n个特征。常规的回归算法的目标是拟合出一个多项式函数，使得预测值与真实值的误差最小：
文章图片
而我们希望这样的f(x)能够具有很好的逻辑判断性质，最好是能够直接表达具有特征x的样本被分到某类的概率。比如f(x)>0.5的时候能够表示x被分为正类，f(x)<0.5表示分为反类。而且我们希望f(x)总在[0, 1]之间。有这样的函数吗？
sigmoid函数就出现了。这个函数的定义如下：
文章图片
文章图片
sigmoid函数具有我们需要的一切优美特性，其定义域在全体实数，值域在[0, 1]之间，并且在0点值为0.5。
那么，如何将f(x)转变为sigmoid函数呢？令p(x)=1为具有特征x的样本被分到类别1的概率，则p(x)/[1-p(x)]被定义为让步比(odds ratio)。引入对数：
文章图片
上式很容易就能把p(x)解出来得到下式：
文章图片
现在，我们得到了需要的sigmoid函数。接下来只需要和往常的线性回归一样，拟合出该式中n个参数c即可。
2、测试数据
测试数据我们仍然选择康奈尔大学网站的2M影评数据集。
在这个数据集上我们已经测试过KNN分类算法、朴素贝叶斯分类算法。现在我们看看罗辑回归分类算法在处理此类情感分类问题效果如何。
同样的，我们直接读入保存好的movie_data.npy和movie_target.npy以节省时间。
3、代码与分析
逻辑回归的代码如下：
#-*- coding: utf-8 -*-
from matplotlib importpyplotimportscipy as spimportnumpy as npfrom matplotlib importpylabfrom sklearn.datasets importload_filesfrom sklearn.cross_validation importtrain_test_splitfrom sklearn.feature_extraction.text importCountVectorizerfrom sklearn.feature_extraction.text importTfidfVectorizerfrom sklearn.naive_bayes importMultinomialNBfrom sklearn.metrics importprecision_recall_curve, roc_curve, aucfrom sklearn.metrics importclassification_reportfrom sklearn.linear_model importLogisticRegressionimporttime
start_time=time.time()#绘制R/P曲线
def plot_pr(auc_score, precision, recall, label=None):
pylab.figure(num=None, figsize=(6, 5))
pylab.xlim([0.0, 1.0])
pylab.ylim([0.0, 1.0])
pylab.xlabel('Recall')
pylab.ylabel('Precision')
pylab.title('P/R (AUC=%0.2f) / %s' %(auc_score, label))
pylab.fill_between(recall, precision, alpha=0.5)
pylab.grid(True, linestyle='-', color='0.75')
pylab.plot(recall, precision, lw=1)
pylab.show()#读取
movie_data = https://www.it610.com/article/sp.load('movie_data.npy')
movie_target= sp.load('movie_target.npy')
x=movie_data
y=movie_target#BOOL型特征下的向量空间模型，注意，测试样本调用的是transform接口
count_vec = TfidfVectorizer(binary = False, decode_error = 'ignore',\
stop_words= 'english')
average=0
testNum= 10
for i inrange(0, testNum):#加载数据集，切分数据集80%训练，20%测试
x_train, x_test, y_train, y_test\= train_test_split(movie_data, movie_target, test_size = 0.2)
x_train=count_vec.fit_transform(x_train)
x_test=count_vec.transform(x_test)#训练LR分类器
clf =LogisticRegression()
clf.fit(x_train, y_train)
y_pred=clf.predict(x_test)
p= np.mean(y_pred ==y_test)print(p)
average+=p#准确率与召回率
answer = clf.predict_proba(x_test)[:,1]
【python|python 逻辑回归分类_Python机器学习(6)——逻辑回归分类】precision, recall, thresholds=precision_recall_curve(y_test, answer)
report= answer > 0.5
print(classification_report(y_test, report, target_names = ['neg', 'pos']))print("average precision:", average/testNum)print("time spent:", time.time() -start_time)
plot_pr(0.5, precision, recall, "pos")
代码运行结果如下：
0.8
0.817857142857
0.775
0.825
0.807142857143
0.789285714286
0.839285714286
0.846428571429
0.764285714286
0.771428571429
precisionrecallf1-scoresupport
neg0.740.800.77132
pos0.810.740.77148
avg / total0.770.770.77280
average precision: 0.803571428571
time spent: 9.651551961898804
文章图片
首先注意我们连续测试了10组测试样本，最后统计出准确率的平均值。另外一种好的测试方法是K折交叉检验(K-Fold)。这样都能更加准确的评估分类器的性能，考察分类器对噪音的敏感性。
其次我们注意看最后的图，这张图就是使用precision_recall_curve绘制出来的P/R曲线(precition/Recall)。结合P/R图，我们能对逻辑回归有更进一步的理解。
前文我们说过，通常我们使用0.5来做划分两类的依据。而结合P/R分析，阈值的选取是可以更加灵活和优秀的。
在上图可以看到，如果选择的阈值过低，那么更多的测试样本都将分为1类。因此召回率能够得到提升，显然准确率牺牲相应准确率。
比如本例中，或许我会选择0.42作为划分值——因为该点的准确率和召回率都很高。
最后给一些比较好的资源：
推荐阅读
- python|机器学习python——线性回归模型的正规方程（吴恩达课后作业）
- java|ios 按时间排序_如何按应用而不是时间对iOS通知进行排序
- 数据统计与分析|Python使用pandas把字符串转换为日期时间数据
- python|Python数据结构之集合概览
- 初学者福利（分享五个免费的 Python 学习网站，抓紧收藏吧）
- 马SB-Python全栈工程师 图解Python语法-2022最新完结
- 广电行业如何上云（来抄作业！）
- Python中的if...else语法和执行流程
- 关于python中if条件语句的实例- 简单版和进阶版