茅台镇哪一家网站做的好,南宫建设局网站首页,我要招人在哪个网站招,上海自适应网站逻辑回归
在学习逻辑回归之前我们先回顾一下线性回归。线性回归解决的是回归问题#xff0c;简单来说就是#xff0c;我们需要找到一个函数#xff0c;这个函数需要尽可能的拟合所有训练集的样本点。
逻辑回归解决的是分类问题#xff0c;它的目标是找到一个函数#x…逻辑回归
在学习逻辑回归之前我们先回顾一下线性回归。线性回归解决的是回归问题简单来说就是我们需要找到一个函数这个函数需要尽可能的拟合所有训练集的样本点。
逻辑回归解决的是分类问题它的目标是找到一个函数利用这个函数尽可能把不同种类的数据区分开来。利用sigmod激活函数可以将前面类似线性回归的计算结果映射为离散值。 通过激活函数我们可以将下面图片中不同位置的点映射为不同的离散值。 需要注意这个图横纵坐标都是自变量X跟上面的线性回归是有区别的。 :return 1.0 / (1 np.exp(-x))def cost(xMat, yMat, ws):left np.multiply(yMat, np.log(sigmoid(xMat * ws)))right np.multiply(1 - yMat, np.log(1 - sigmoid(xMat * ws)))return np.sum(left right) / -(len(xMat))def gradAscent(xArr, yArr):if scale True:xArr preprocessing.scale(xArr)xMat np.mat(xArr)yMat np.mat(yArr)# 学习率lr 0.001# 迭代次数epochs 10000# 申明一个列表用来存储losscostList []# 计算数据行列数# 行代表数据个数列代表权值个数m, n np.shape(xMat)# 初始化权值ws np.mat(np.ones((n, 1)))for i in range(epochs 1):# xMat和weights矩阵相乘h sigmoid(xMat * ws)# 计算误差ws_grad xMat.T * (h - yMat) / mws ws - lr * ws_gradif i % 50 0:costList.append(cost(xMat, yMat, ws))return ws, costListdef plot(x_data, y_data):x0 []x1 []y0 []y1 []# 切分不同类别的数据for i in range(len(x_data)):if y_data[i] 0:x0.append(x_data[i, 0])y0.append(x_data[i, 1])else:x1.append(x_data[i, 0])y1.append(x_data[i, 1])# 画图scatter0 plt.scatter(x0, y0, cb, markero)scatter1 plt.scatter(x1, y1, cr, markerx)# 画图例plt.title(训练数据集散点分布)plt.xlabel(自变量x0)plt.ylabel(自变量x1)plt.legend(handles[scatter0, scatter1], labels[label0, label1], locbest)plt.savefig(LR_scatter.png)# plt.show()def plot_result(ws,x_data,y_data):# 画图决策边界plot(x_data,y_data)x_test [[-4],[3]]y_test (-ws[0] - x_test*ws[1])/ws[2]plt.plot(x_test, y_test, k)plt.savefig(LR_result.png)plt.show()def plot_loss(costList):# 画图 loss值的变化x np.linspace(0, 10000, 201)plt.plot(x, costList, cr)plt.title(Train)plt.xlabel(Epochs)plt.ylabel(Cost)plt.savefig(LR_Loss.png)plt.show()# 预测
def predict(x_data, ws):if scale True:x_data preprocessing.scale(x_data)xMat np.mat(x_data)ws np.mat(ws)return [1 if x 0.5 else 0 for x in sigmoid(xMat*ws)]def train():# 载入数据data np.genfromtxt(LR-testSet.csv, delimiter,)x_data data[:, :-1]y_data data[:, -1]# 绘制散点图plot(x_data, y_data)# 数据处理添加偏置项x_data data[:, :-1]y_data data[:, -1, np.newaxis]print(x_data的数据形状为, np.mat(x_data).shape)print(y_data的数据形状为, np.mat(y_data).shape)# 给样本添加偏置项X_data np.concatenate((np.ones((100, 1)), x_data), axis1)print(x_data添加偏执后X_data的数据形状为, X_data.shape)# 训练模型得到权值和cost值的变化ws, costList gradAscent(X_data, y_data)print(训练后得到的权值列表为, ws)print(保存决策边界结果图像)plot_result(ws, x_data, y_data)predictions predict(X_data, ws)print(classification_report(y_data, predictions))print(保存loss下降结果……)plot_loss(costList)if __name__ __main__:train()
运行结果 x_data的数据形状为 (100, 2) y_data的数据形状为 (100, 1) x_data添加偏执后X_data的数据形状为 (100, 3) 训练后得到的权值列表为 [[ 2.05836354] [ 0.3510579 ] [-0.36341304]] 保存决策边界结果图像 precision recall f1-score support 0.0 0.82 1.00 0.90 471.0 1.00 0.81 0.90 53accuracy 0.90 100macro avg 0.91 0.91 0.90 100 weighted avg 0.92 0.90 0.90 100
保存loss下降结果……
输出图片
