机器学习之逻辑回归学习分享
数据来源 https://developer.aliyun.com/ai/scenario/9ad3416619b11423180f656d1c9ae44f7?
逻辑回归原理 【机器学习之逻辑回归学习分享】逻辑回归虽然名字里有回归二字,但它其实是分类方法,主要用于二分类问题。逻辑回归利用了Logistic函数(即Sigmoid函数),函数形式为:
L o g i s t ( z ) = 1 1 + e ? z Logist(z)=\frac{1}{1+e^{-z}} Logist(z)=1+e?z1?
其对应的函数图像为:
文章图片
可以看出函数的取值范围为(0,1),且z=0时,y等于0.5。当x取值足够大的时候,可以看成0类和1类问题,z>0且y>0.5,则分为1类问题,反之则是0类问题
因为回归的基本方程为: z = w 0 + ∑ w i x i z=w0+\sum wixi z=w0+∑wixi
将其代入Simiod得: p = p ( y = 1 ∣ x , θ ) = h ( x , θ ) = 1 1 + e ? ( w 0 + ∑ w i x i ) p=p(y=1|x,\theta)=h(x,\theta)=\frac{1}{1+e^{-(w0+\sum wixi)}} p=p(y=1∣x,θ)=h(x,θ)=1+e?(w0+∑wixi)1?
因为逻辑回归满足伯努利分布,所以
p ( y ∣ x ;
θ ) = h ( ( x , θ ) ) y ? ( 1 ? h ( x , θ ) ) 1 ? y p(y|x;
\theta)=h((x,\theta))^{y}*(1-h(x,\theta))^{1-y} p(y∣x;
θ)=h((x,θ))y?(1?h(x,θ))1?y
因此
输入x分类结果为类别1的概率为: p ( y = 1 ∣ x , θ ) = h ( x , θ ) p(y=1|x,\theta)=h(x,\theta) p(y=1∣x,θ)=h(x,θ)输入x分类结果为类别0的概率为:
p ( y = 0 ∣ x , θ ) = 1 ? h ( x , θ ) p(y=0|x,\theta)=1-h(x,\theta) p(y=0∣x,θ)=1?h(x,θ)
逻辑回归的优缺点 逻辑回归的优点:实现简单,易于理解和实现;计算代价不高,速度很快,存储资源低
逻辑回归的缺点:容易欠拟合,分类精度不高
为什么LR要用Simoid()函数 LR模型是一个二分类模型,即对一个X,预测其发生或不发生,但实际上预测并不能达到100%的概率,所以LR模型以50%为分界,即得到的事件概率超过50%则认为事件发生,反之则认为事件不发生,最后通过Y的取值是{0,1}表示是正例还是反例。
综上所述,Simoid很好的符合了LR需要的条件
逻辑回归与线性回归的联系和异同 联系:逻辑回归就是线性回归经过Simoi变换后映射到0到1的范围之内。
区别:
- 线性回归用于回归任务,逻辑回归用于分类任务
- 线性回归输出值为连续值,逻辑回归输出值为概率值
- 损失函数不同
import numpy as np
from sklearn.linear_model import LogisticRegression#构建数据集
x_features = 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()#训练数据
lr_clf = lr_clf.fit(x_features, y_label)#拟合方程为y=w0+w1*x1+w2*x2#测试数据
x_feature_new1 = np.array([[0,-1]])
x_features_new2 = np.array([[1, 2]])#利用训练好的模型进行预测
"""predict预测类别
predict_proba预测概率"""
y_label_new1_predict = lr_clf.predict(x_feature_new1)
y_label_new2_predict = lr_clf.predict(x_features_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)#使用predice_proba预测概率
y_label_new1_predict_proba = lr_clf.predict_proba(x_feature_new1)
y_label_new2_predict_proba = lr_clf.predict_proba(x_features_new2)print('The New point 1 predict Probability of each class\n', y_label_new1_predict_proba)
print('The New point 1 predict Probability of each class\n', y_label_new2_predict_proba)
![机器学习之逻辑回归学习分享](https://img.it610.com/image/info8/06a2683ebfb141f5981cbd78dc9e05e4.jpg)
文章图片
最后,由于本人是纯小白刚刚入门,如果有什么错误,敬请指教
推荐阅读
- 慢慢的美丽
- 开学第一天(下)
- 奔向你的城市
- 学无止境,人生还很长
- 由浅入深理解AOP
- “成长”读书社群招募
- 继续努力,自主学习家庭Day135(20181015)
- python学习之|python学习之 实现QQ自动发送消息
- 每日一话(49)——一位清华教授在朋友圈给大学生的9条建议
- 小影写在2018九月开学季