01 logisitic回归与梯度下降法
logisitic回归是因变量是分类的回归模型或算法，它实际上是一种分类方法，主要用于两分类问题（即输出只有两种，分别代表两个类别），所以利用了Logistic函数（或称为Sigmoid函数），函数形式为：
Paste_Image.png
其中，
函数hθ(x)的值有特殊的含义，它表示结果取1的概率，因此对于输入x分类结果为类别1和类别0的概率分别为：
（1）式综合起来可以写成：
取似然函数为：
对数似然函数为：
最大似然估计就是求使l(θ)取最大值时的θ，将J(θ)取为下式，即：
因为乘了一个负的系数-1/m，所以取J(θ)最小值时的θ为要求的最佳参数。注：在这里为什么加了个系数-1/m，编者翻阅了相关资料，因为不加的话，说是不能用梯度下降法（而是梯度上升法），所以要加负号，而1/m代表了样本平均。
最终得到：
（2）梯度下降法求解最小值采用与线性回归中一样的梯度下降法来确定θ的值，即设置一个合适的学习率α之后，同步更新所有j=1 to n：
θ更新过程可以写成：
重复更新步骤，直到损失函数的值收敛为止。03 python代码的实现
在这里采用了python2.7 版本，并分为两大步骤：构建梯度下降法函数与创建数据函数。而经过上面的推导，对我们编程最有用的不是那些过程，而是得到的结果，即最后一个公式，因此，将围绕最后得到的梯度下降法求解公式来构建函数。
-*- coding: UTF-8 -*-
import numpy as np #科学计算（矩阵）包
import random #生成随机数的包
#梯度下降算法函数,x/y是输入变量，theta是参数，alpha是学习率，m是实例，numIterations梯度下降迭代次数
def gradientDescent(x, y, theta, alpha, m, numIterations):
xTrans = x.transpose() #矩阵转置
#在1-numIterations之间for循环
for i in range(0,numIterations):
hypothesis = np.dot(x,theta) #矩阵相乘
loss = hypothesis - y #预测值减去实际值
# avg cost per example (the 2 in 2*m doesn't really matter here.
# But to be consistent with the gradient, I include it)
cost = np.sum(loss **2)/(2 * m)
#成本函数：loss方差的平均加总，在这里采用了常用的成本函数，而非logistic特有的
print("Iteration %d | Cost: %f" % (i, cost))
# avg gradient per example
gradient = np.dot(xTrans, loss) / m #计算梯度
# update
theta = theta - alpha * gradient #参数theta的计算，即更新法则
return theta
#创建数据，numPoints实例数，bias加一些偏倚或偏差，variance：方差
def genData(numPoints,bias,variance):
x = np.zeros(shape=(numPoints,2)) #生成0矩阵，shape表示矩阵的形状，参数1是行，后边是列
y = np.zeros(shape=(numPoints))
#对x、y的0矩阵填充数值
for i in range(0,numPoints):
x[i][0] = 1 #第i行第1列全部等于1
x[i][1] = i # 第i行第2列等于i
y[i] = (i + bias) + random.uniform(0,1) * variance # 第i行第2列等于i+bias(偏倚），再加,0-1的随机数，以及方差
return x, y
x, y = genData(100, 25, 10) #传入参数
print "x:"
print x
print "y:"
print y
m, n = np.shape(x) #检查x的行列数，是否一致
numIterations = 100000
alpha = 0.0005 #学习率，不能太大也不能太小
theta = np.ones(n) #初始化
theta = gradientDescent(x, y, theta, alpha, m, numIterations)
print(theta)
可以根据不同的数据，利用gradientDescent（）函数来求解。
网友评论