Logistic回归的python代码

Jane_cz

于 2017-12-27 19:51:23 发布

阅读量690

点赞数

分类专栏：机器学习文章标签：机器学习 python 逻辑回归

本文链接：https://blog.youkuaiyun.com/congzi66166/article/details/78915769

版权

本文介绍了如何使用Python实现逻辑回归算法，包括梯度上升法、随机梯度上升法及其改进版。通过加载数据集、定义sigmoid函数，以及梯度上升算法，展示了逻辑回归在二分类问题中的应用。最后，绘制了最佳拟合曲线进行可视化。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

from numpy import *

'''
    逻辑回归用于分类和预测，是先采用线性回归作为基础，然后采用sigmoid函数
        对所有特征（X0~Xn）做线性回归：z = W0X0 + W1X1 + ...+ WnXn + S（s为一个不依赖于特征的数值）
        为了判断分类，以z作为输入，采用sigmoind函数：f(z)=1/（1+exp（-z））

    梯度算法，不断迭代寻求最优参数（W0，W1,W2...Wn):
        W:=W+a*梯度，a为步长
        W:=W+a*(X的转置矩阵）*error向量
        其中，X是所有样本的集合，error是所有样本标签的差异向量，这种方法由于取用样本全集，计算代价高。

    随机梯度算法，一次仅用一个样本点来更新回归系数：
        所有回归系数置为1
        对数据集中每个样本：
            计算该样本梯度
            系数=系数_old + 步长*梯度
        返回回归系数

    改进的随机梯度算法，相比于随机梯度算法，给定一个迭代次数，步长alpha逐步减少，样本上采取随机选择方式：
        所有回归系数置mei为1
        给定迭代次数R，重复R次：