Task 01|基于逻辑回归的分类预测

知识背景

关于逻辑回归的几个问题

逻辑回归相比线性回归，有何异同？

逻辑回归和线性回归最大的不同点是逻辑回归解决的是分类问题，而线性回归解决的是回归问题。

逻辑回归又可以认为是广义线性回归的一种特殊形式，其特殊之处在于目标（label/target）的取值服从二元分布。

所谓逻辑回归是一种特殊的广义线性回归，我们可以通过狭义线性回归到逻辑回归的转化过程来理解。

狭义线性回归的表达式可表示为：

如果我们希望这个模型可以对二分类任务做出预测，即满足0,1分布，那么希望预测出来的值经过某种转换后可以分布在0,1两个值附近。
sigmoid函数可以做这样的转换，sigmoid函数的表达式为：

令：

则：

可以看出，狭义线性回归采用y作为预测结果，逻辑回归则采用作为预测结果。

逻辑回归还可以表示为：

通过以上步骤推演，我们知道逻辑回归就是在线性回归的基础上，再做一个sigmoid计算。所以它们都可以用相同的方法，比如梯度下降来求解参数。

---

回归问题常用的性能度量指标

• 点对点误差
  • MSE（Mean Square Error）均方误差 -- 预测数据和原始数据对应误差的平方和的均值
  • RMSE（Root Mean Square Error）-- 观测值与真实偏差的平方和与观测次数n比值的平方根，用来衡量观测值同真值之间的偏差
  • MAE（Mean Absolute Error）-- 计算模型输出与真实值之间的平均绝对误差
• 带归一化的误差求解方法
  • MAPE（Mean Absolute Percentage Error）-- 不仅考虑预测值与真实值误差，还考虑误差与真实值之间的比例
  • MASE（Mean Absolute Scaled Error）-- 平均平方百分比误差
• 点对面误差
  • R-Square决定系数（coefficient of determination）

---

分类问题常用的性能度量指标

• 准确率：

  所有预测正确的样本与所有样本的比例
  

• 精确率：

  预测为正的样本中有多少是真正的正样本
  

• 召回率：

  样本中的正例有多少被预测正确了
  

• F1值：

  精确率和召回率的调和值
  

• AUC（Area Under Curve）：

  ROC曲线下的面积，ROC曲线是通过取不同的阈值来分别计算在每个阈值下，FPR（False Positive Rate）和TPR（True Positive Rate）的值来绘制的。

---

逻辑回归处理多标签分类问题时，一般怎么做？

如果y不是在[0,1]中取值，而是在k个类别中取值，这时问题就变成一个多分类问题。有两种方式可以处理该问题：

• 当K个类别不是互斥的时候，即存在样本可能属于多个标签的情况，我们可以训练k个二分类的逻辑回归分类器。第i个分类器用以区分样本是否可以归为第i类，训练分类器时需要把标签重新整理为“第i类标签”和“非第i类标签”两类。通过这样的方法，我们就可以解决每个样本可能拥有多个标签的情况。
• 当K个类别互斥的时候，即每个样本只属于一个标签，可以假设每个样本属于不同标签的概率服从于几何分布，使用多项式逻辑回归（Softmax Regression）来进行分类。

---

通过几个问题了解了逻辑回归后，接着就上代码来体验一番吧
本文将使用sklearn和著名的鸢尾花数据集来用逻辑回归做分类预测

学习目标

• 了解逻辑回归理论
• 掌握sklearn中LogisticsRegression的基本用法

Step 1：读取数据

import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

#load data
from sklearn.datasets import load_iris

data = load_iris() # 数据特征
iris_labels = data.target # 数据标签
iris_names = data.target_names #iris分类对应的名字
iris_features = pd.DataFrame(data=data.data, columns=data.feature_names)

查看数据基本信息，大致了解一下特征和标签

# 查看数据基本信息

iris_features.info()

print(iris_features.head())
print(iris_names)

结果如下：

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 150 entries, 0 to 149
Data columns (total 4 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   sepal length (cm)  150 non-null    float64
 1   sepal width (cm)   150 non-null    float64
 2   petal length (cm)  150 non-null    float64
 3   petal width (cm)   150 non-null    float64
dtypes: float64(4)
memory usage: 4.8 KB
   sepal length (cm)  sepal width (cm)  petal length (cm)  petal width (cm)
0                5.1               3.5                1.4               0.2
1                4.9               3.0                1.4               0.2
2                4.7               3.2                1.3               0.2
3                4.6               3.1                1.5               0.2
4                5.0               3.6                1.4               0.2
['setosa' 'versicolor' 'virginica']

如上基本信息我们了解到：

1. 一共有150个样本
2. 每个样本有4个特征，都是float型。sepal length, sepal width, petal length和petal width分别代表花萼和花瓣的长宽。通过外观的长宽大小来判断植物的种类，也很符合人的学习习惯。
3. 一共有3个标签：setosa, versicolor, virginica，分别代表3种花，在数据中表示为0, 1, 2.

再看看数据集中3类样本分别占的比例：

pd.Series(iris_labels).value_counts()

结果发现：

2    50
1    50
0    50

一共150个样本，3种花每种分别50个，分布还是很平均的嘛。

Step 2：数据可视化

一图胜千言，通过可视化的方法能更快更直观地了解数据，找到数据的特征，能让数据的学习和训练达到事半功倍的效果。

# 准备数据，为了不影响原数据，我们用原数据集的拷贝来画图
iris_all = iris_features.copy()
iris_all['label'] = iris_labels

# 查看数据分布
sns.pairplot(data=iris_all, diag_kind='hist', hue='label')
plt.show()

特征与标签组合的散点图

从图中可以看出：

• petal width和petal length的区分能力比较好
• 蓝色的这个类别主要集中在左下，集中在petal width和petal length的值比较小的部分，说明这个种类的花瓣又窄又短

通过箱线图来查看一下各个特征的数据分布：

# 从箱线图查看各个特征数据分布

for col in iris_features.columns:
    sns.boxplot(x='label', y = col, saturation=0.5, palette = 'pastel', data=iris_all)
    plt.title(col)
    plt.show()

petal length (cm) petal width (cm) sepal length (cm) sepal width (cm)

通过数据分布也能明显看出来，petal length 和 petal width 的数据在各类别内集中，且在各类别间有较明显的区分度。
选取前三个特征绘制三维散点图：

from mpl_toolkits.mplot3d import Axes3D

fig = plt.figure(figsize=(10, 8))
ax = fig.add_subplot(111, projection='3d')

iris_all_class0 = iris_all[iris_all['label']==0].values
iris_all_class1 = iris_all[iris_all['label']==1].values
iris_all_class2 = iris_all[iris_all['label']==2].values

ax.scatter(iris_all_class0[:,0], iris_all_class0[:,1], iris_all_class0[:,2], label='setosa')
ax.scatter(iris_all_class1[:,0], iris_all_class1[:,1], iris_all_class1[:,2], label='versicolor')
ax.scatter(iris_all_class2[:,0], iris_all_class2[:,1], iris_all_class2[:,2], label='virginica')

ax.set_xlabel('sepal length')
ax.set_ylabel('sepal width')
ax.set_zlabel('petal length')

plt.legend()
plt.show()

三维散点图

三维散点图更清晰地看到了类别的区分。

Step 3：逻辑回归二分类训练

先用逻辑回归进行二分类训练，训练出一个区分0、1标签的分类器。

# 分割数据集和训练集
from sklearn.model_selection import train_test_split

# 先选取类别为0和1的数据，进行二分类训练
iris_features_part = iris_all[iris_all['label']<2]
iris_labels_part = iris_features_part.pop('label').tolist()

x_train, x_test, y_train, y_test = train_test_split(iris_features_part, iris_labels_part, test_size=0.3, random_state=2020)

参数解释：

• test_size: test数据占的比例，例如0.3表示test数据占30%，train数据占70%
• random_state: 随机数种子，代表该组随机数的编号，在重复实验中能保证每次得到的随机数是相同的。当为None时，每次得到的结果就会是随机的。

分好数据集，就可以用逻辑回归模型来训练了

from sklearn.linear_model import LogisticRegression

clf = LogisticRegression(random_state=0, solver='lbfgs')
clf.fit(x_train, y_train)

参数solver代表逻辑回归损失函数的优化方法，分别有4种方法，官方文档建议如下：

• ‘liblinear’：Small dataset or L1 penalty
• ‘lbfgs’、‘newton-cg’ or ‘sag’：Multinomial loss or large dataset
• ‘sag’：Very Large dataset
  根据数据集的情况，我们选择了‘lbfgs’，这是拟牛顿法的一种，利用损失函数二阶导数矩阵即海森矩阵来迭代优化损失函数。

# 在测试集和训练集上预测
train_pred = clf.predict(x_train)
test_pred = clf.predict(x_test)

# 预测结果检验
from sklearn import metrics

print('The accuracy in train data: ', metrics.accuracy_score(y_train, train_pred))
print('The accuracy in test data: ', metrics.accuracy_score(y_test, test_pred))

结果如下：

The accuracy in train data:  1.0
The accuracy in test data:  1.0

都达到了100%的准确率，就是这么秀~~
查看在测试集上的混淆矩阵：

confusion_matrix_result = metrics.confusion_matrix(test_pred, y_test)

plt.figure(figsize=(10, 8))
sns.heatmap(confusion_matrix_result, annot=True, cmap='Wistia_r')

plt.xlabel('Predict labels')
plt.ylabel('Actual labels')
plt.show()

二分类混淆矩阵

Step 4：三种分类上的逻辑回归模型训练

和二分类任务下的方法相似，这次来进行多分类训练。从文章开头的几个问题可知，这个多分类问题属于互斥的多分类问题，即每个样本只能属于一个分类，我们使用多项式逻辑回归模型就可以了。

# 分割测试集和训练集（20%/80%）
x_train, x_test, y_train, y_test = train_test_split(iris_features, iris_labels, test_size=0.2, random_state=2020)

clf = LogisticRegression(random_state=0, solver='lbfgs')

clf.fit(x_train, y_train)

预测：

# 在训练集和测试集上预测

train_pred = clf.predict(x_train)
test_pred = clf.predict(x_test)

print('The accuracy in train data: ', metrics.accuracy_score(y_train, train_pred))
print('The accuracy in test data: ', metrics.accuracy_score(y_test, test_pred))

confusion_matrix_result = metrics.confusion_matrix(test_pred, y_test)

plt.figure(figsize=(10, 8))
sns.heatmap(confusion_matrix_result, annot=True, cmap='Wistia_r')

plt.xlabel('Predict labels')
plt.ylabel('Actual labels')

plt.show()

在三分类问题上的预测结果稍微有点偏差：

The accuracy in train data:  0.9833333333333333
The accuracy in test data:  0.8666666666666667

三分类混淆矩阵

从图中能看出来，在1和2这两个类别下分别有两个预测错误。我们在之前的数据可视化中也可以看出来，橙色和绿色两个类别的分解有点模糊，这和我们之前的认识是相符合的。

总结

逻辑回归虽然叫“回归”，但实际上是一种分类算法。由线性回归经过sigmoid函数变换而来，所以预测值在0~1之间，通常用来解决二分类问题。
刚才用逻辑回归解决了二分类问题和多分类问题，这里的多分类问题是通过多项式损失函数优化来完成的，还可以将多个二分类逻辑回归模型组合来实现多分类。

END