分类算法是典型的监督学习,分类算法通过对训练样本的学习,得到从样本特征到样本的标签之间的映射关系,也被称为假设函数,之后可利用该假设函数对新数据进行分类。
通过训练数据中的正负样本,学习样本特征到样本标签之间的假设函数,Logistic Regression算法是典型的线性分类器,有算法复杂度低、容易实现等特点。
Logistic Regression模型 线性可分和线性不可分对于一个分类问题,通常可以分为线性可分与线性不可分两种。如果一个分类问题可以使用线性判别函数正确分类,则称该问题为线性可分否则为线性不可分问题
Logistic Regression模型对于图1.1 所示的线性可分的问题,需要找到一条直线,能够将两个不同的类区分开,这条直线也称为超平面。 在Logistic Regression算法中,通过对训练样本的学习,最终得到该超平面,将数据分成正负两个类别如图1.1所示,
对于上述的超平面,可以使用如下的线性函数表示:
Wx+b=0
Wx+b=0
Wx+b=0
(W为权重,b为偏置,若在多维的情况下,权重W 和偏置b均为向量)
可以使用阈值函数,将样本映射到不同的类别中,常见的阈值函数有Sigmoid函数,其形式如下所示:
f(x)=11+e−x
f(x)=\frac{1}{1+e^{-x}}
f(x)=1+e−x1
Sigmoid函数的图像
从Sigmoid函数的图像可以看出,其函数的值域为(0,1),在0附近的变化比较明显。其导函数 f′(x)为:
Python实现Sigmoid函数import numpy as np
def sig(x):
'''Sigmoid函数
input: x(mat):feature*W
output: sigmoid(x)(mat):Sigmoid值
'''
return 1.0/(1+np.exp(-x))
Sigmoid函数的输出为sigmoid值,对于输入向量X,其属于正例的概率为:
σ 表示的是Sigmoid函数。那么,对于输入向量X,其属于负例的概率为:
对于Logistic Regression算法来说,需要求解的分隔超平面中的参数,即为权重矩阵W 和偏置向量b,那么,这些参数该如何求解呢?为了求解模型的两个参数,首先必须定义损失函数。
对于上述的Logistic Regression算法,其属于类别y的概率为:
要求上述问题中的参数W 和b,可以使用极大似然法对其进行估计。假设训练数据集有m个训练样本{(X(1),y(1)),(X(2),y(2)),…,(X(m) ,y(m))},则其似然函数为:
其中,假设函数为:
对于似然函数的极大值的求解,通常使用Log似然函数,在Logistic Regression算法中,通常是将负的Log似然函数作为其损失函数,即the negativelog-likelihood (NLL)作为其损失函数,此时,需要计算的是NLL的极小值。损失函数lW,b 为:
为了求得损失函数lW,b 的最小值,可以使用基于梯度的方法进行求解。
梯度下降法在机器学习算法中,对于很多监督学习模型,需要对原始的模型构建损失函数l,接下来便是通过优化算法对损失函数l进行优化,以便寻找到最优的参数W。在求解机器学习参数W 的优化算法时,使用较多的是基于梯度下降的优化算法(Gradient Descent,GD)。
优点:求解过程中只需求解损失函数的一阶导数,计算成本较小,能在很多大规模数据集上得到应用
含义:通过当前点的梯度方向寻找到新的迭代点,并从当前点移动到新的迭代点继续寻找新的迭代点,直到找到最优解。
梯度下降法的流程根据初始点在每一次迭代的过程中选择下降法方向,进而改变需要修改的参数,对于优化问题min f(w),梯度下降法的详细过程如下所示。
随机选择一个初始点W0 重复以下过程 决定梯度下降的方向 选择步长a 更新:Wi+1=Wi+a·di 直到满足终止条件具体过程如图1.4所示
在初始时,在点w0 处,选择下降的方向d0 ,选择步长α ,更新w的值,此时到达w1 处,判断是否满足终止的条件,发现并未到达最优解w∗ ,重复上述的过程,直至到达w∗。
凸优化与非凸优化凸优化问题是指只存在一个最优解的优化问题,即任何一个局部最优解即全局最优解,如图1.5所示。
非凸优化是指在解空间中存在多个局部最优解,而全局最优解是其中的某一个局部最优解,如图1.6所示。
最小二乘(Least Squares)、岭回归(Ridge Regression)和Logistic回归(Logistic Regression)的损失函数都是凸优化问题。
利用梯度下降法训练Logistic Regression模型对于上述的Logistic Regression算法的损失函数可以通过梯度下降法对其进行求解,其梯度为:
其中,x(i)j表示的是样本X(i)的第j个分量,取w0=b,且将偏置项的变量x0设置为1,则可以将上述的梯度合并为:
根据梯度下降法,得到如下更新公式:
利利用上述的 Logistic Regression 中权重的更新公式,我们可以实现 Logistic Regression模型的训练,利用梯度下降法训练模型的具体过程
Python实现对Logistic Regression模型的训练def lr_train_bgd(feature, label, maxCycle, alpha):
'''利用梯度下降法训练LR模型
input: feature(mat)特征
label(mat)标签
maxCycle(int)最大迭代次数
alpha(float)学习率
output: w(mat):权重
'''
n = np.shape(feature)[1] # 特征个数
w = np.mat(np.ones((n, 1))) # 初始化权重
i = 0
while i 0 and (1 - h[i, 0]) > 0:
sum_err -= (label[i,0] * np.log(h[i,0]) + \
(1-label[i,0]) * np.log(1-h[i,0]))#损失函数的计算过程
else:
sum_err -= 0
return sum_err / m
函数lr_train_bgd使用了梯度下降法对Logistic Regression算法中的损失函数进行优化,在每一次迭代的过程中,需要计算当前的模型的误差,误差函数为 error_rate,在迭代的过程中,不断通过梯度下降的方法对Logistic Regression算法中的权重进行更新,
梯度下降法的若干问题 选择下降的方向为了求解优化问题 f(w)的最小值,我们希望每次迭代的结果能够接近最优值w∗ ,对于一维的情况,若当前点的梯度为负,则最小值在当前点的右侧,若当前点的梯度为正,则最小值在当前点的左侧,负的梯度即为下降的方向。有下述的更新规则:
其中,αi 为步长。对于二维的情况,此时更新的规则如下:
步长的选择对于步长α 的选择,若选择太小,会导致收敛的速度比较慢;若选择太大,则会出现震荡的现象,即跳过最优解,在最优解附近徘徊,因此,选择合适的步长对于梯度下降法的收敛效果显得尤为重要。
Logistic Regression算法实践利用已经完成的函数,构建Logistic Regression分类器,利用线性可分的数据作为训练样本来训练Logistic Regression模型,在构建模型的过程中,主要分为两个步骤:
1、利用训练样本训练模型;
2、利用训练好的模型对新样本进行预测
利用训练样本训练Logistic Regression模型为了python能支持中文的注释和利用numpy工具,我们需要在训练文件“lr_train.py”的开始加入:
# coding:UTF-8
import numpy as np
python实现训练模型的主函数
# coding:UTF-8
'''
Date:20160901
@author: zhaozhiyong
@update: MoFeng
'''
import numpy as np
def load_data(file_name):
'''导入训练数据
input: file_name(string)训练数据的位置
output: feature_data(mat)特征
label_data(mat)标签
'''
f = open(file_name) # 打开文件
feature_data = []
label_data = []
for line in f.readlines():
feature_tmp = []
lable_tmp = []
lines = line.strip().split("\t")
feature_tmp.append(1) # 偏置项
for i in range(len(lines) - 1):
feature_tmp.append(float(lines[i]))
lable_tmp.append(float(lines[-1]))
feature_data.append(feature_tmp)
label_data.append(lable_tmp)
f.close() # 关闭文件
return np.mat(feature_data), np.mat(label_data)
def sig(x):
'''Sigmoid函数
input: x(mat):feature * w
output: sigmoid(x)(mat):Sigmoid值
'''
return 1.0 / (1 + np.exp(-x))
def lr_train_bgd(feature, label, maxCycle, alpha):
'''利用梯度下降法训练LR模型
input: feature(mat)特征
label(mat)标签
maxCycle(int)最大迭代次数
alpha(float)学习率
output: w(mat):权重
'''
n = np.shape(feature)[1] # 特征个数
w = np.mat(np.ones((n, 1))) # 初始化权重
i = 0
while i 0 and (1 - h[i, 0]) > 0:
sum_err -= (label[i,0] * np.log(h[i,0]) + \
(1-label[i,0]) * np.log(1-h[i,0]))
else:
sum_err -= 0
return sum_err / m
def save_model(file_name, w):
'''保存最终的模型
input: file_name(string):模型保存的文件名
w(mat):LR模型的权重
'''
m = np.shape(w)[0]
f_w = open(file_name, "w")
w_array = []
for i in range(m):
w_array.append(str(w[i, 0]))
f_w.write("\t".join(w_array))
f_w.close()
if __name__ == "__main__":
# 1、导入训练数据
print ("---------- 1.load data ------------")
feature, label = load_data("data.txt")
# 2、训练LR模型
print ("---------- 2.training ------------")
w = lr_train_bgd(feature, label, 1000, 0.01)
# 3、保存最终的模型
print ("---------- 3.save model ------------")
save_model("weights", w)
最终的训练效果
---------- 1.load data ------------
---------- 2.training ------------
---------iter=100 , train error rate= 0.0011343552118725198
---------iter=200 , train error rate= 0.0009477843077847466
---------iter=300 , train error rate= 0.0008150655965653185
---------iter=400 , train error rate= 0.0007156807636573238
---------iter=500 , train error rate= 0.0006383910251337728
---------iter=600 , train error rate= 0.0005765152961049213
---------iter=700 , train error rate= 0.0005258283298582945
---------iter=800 , train error rate= 0.0004835251428600936
---------iter=900 , train error rate= 0.0004476693385107398
---------iter=1000 , train error rate= 0.0004168803688943547
---------- 3.save model ------------
最终得到LR模型的权重为:
W0=1.394177750874827 W1=4.527177129107415 W2=-4.793981623770908
(文件保存在“weights”文件中,三个权重对应三个特征)
最终的分割超平面为
利用训练好的模型对新数据进行预测导入训练好的模型参数
在load_weight函数中,其输入是权重所在的文件位置,在
导入函数中,将其数值导入到权重矩阵中。
导入测试数据
在导入测试集的 load_data 函数中,其输入为测试集的位置和特征的个数,其中特征的个数用于判断测试集是否符合要求,若不符合要求,则丢弃利用模型对新的数据进行预测
在predict函数中,其输入为测试数据的特征和模型的权重,输出为最终的预测结果。通过特征与权重的乘积,再对其求Sigmoid 函数值得到最终的预测结果
在计算最终的输出时,为了将Sigmoid函数输出的概率值转换成{0,1},通常可以取0.5作为边界
for i in range(m):
if h[i,0]<0.5:
h[i,0] = 0.0
else:
h[i,0] = 1.0
将预测结果保存在文件中
函数 save_result 实现将预测结果存到指定的文件中,函数save_result 的输入为预测结果保存的文件名file_name 和预测的结果 result,最终将result中的数据写入到文件file_name中# coding:UTF-8
'''
Date:20160901
@author: zhaozhiyong
@updater: MoFeng
'''
import numpy as np
from lr_train import sig
def load_weight(w):
'''导入LR模型
input: w(string)权重所在的文件位置
output: np.mat(w)(mat)权重的矩阵
'''
f = open(w)
w = []
for line in f.readlines():
lines = line.strip().split("\t")
w_tmp = []
for x in lines:
w_tmp.append(float(x))
w.append(w_tmp)
f.close()
return np.mat(w)
def load_data(file_name, n):
'''导入测试数据
input: file_name(string)测试集的位置
n(int)特征的个数
output: np.mat(feature_data)(mat)测试集的特征
'''
f = open(file_name)
feature_data = []
for line in f.readlines():
feature_tmp = []
lines = line.strip().split("\t")
# print lines[2]
if len(lines) != n - 1:
continue
feature_tmp.append(1)
for x in lines:
# print x
feature_tmp.append(float(x))
feature_data.append(feature_tmp)
f.close()
return np.mat(feature_data)
def predict(data, w):
'''对测试数据进行预测
input: data(mat)测试数据的特征
w(mat)模型的参数
output: h(mat)最终的预测结果
'''
h = sig(data * w.T)#sig
m = np.shape(h)[0]
for i in range(m):
if h[i, 0] < 0.5:
h[i, 0] = 0.0
else:
h[i, 0] = 1.0
return h
def save_result(file_name, result):
'''保存最终的预测结果
input: file_name(string):预测结果保存的文件名
result(mat):预测的结果
'''
m = np.shape(result)[0]
#输出预测结果到文件
tmp = []
for i in range(m):
tmp.append(str(result[i, 0]))
f_result = open(file_name, "w")
f_result.write("\t".join(tmp))
f_result.close()
if __name__ == "__main__":
# 1、导入LR模型
print("---------- 1.load model ------------")
w = load_weight("weights")
n = np.shape(w)[1]
# 2、导入测试数据
print ("---------- 2.load data ------------")
testData = load_data("test_data", n)
# 3、对测试数据进行预测
print ("---------- 3.get prediction ------------")
h = predict(testData, w)#进行预测
# 4、保存最终的预测结果
print ("---------- 4.save prediction ------------")
save_result("result", h)