SD1：逻辑回归-分类问题

最新推荐文章于 2024-04-29 10:06:27 发布

猼訑

最新推荐文章于 2024-04-29 10:06:27 发布

阅读量489

点赞数

CC 4.0 BY-SA版权

文章标签：机器学习逻辑回归分类 Python

本文链接：https://blog.youkuaiyun.com/jz20171222/article/details/80896646

本文介绍了使用Python实现逻辑回归进行分类的方法，包括sigmoid函数、代价函数和梯度下降的详细步骤。通过加载数据、绘制散点图展示数据分布，并实现了逻辑回归的假设函数、代价函数计算以及梯度下降求解最优参数，最终计算分类器的精度。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.sigmoid函数

2.代价函数

3.梯度下降

工具：Python3.6+pandas+numpy+scipy+matpotlib

代码实现：

#逻辑逻辑回归
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import scipy.optimize as opt

def todata():
    path='data.txt'#数据地址
    data=pd.read_csv(path,header=None,names=['DX','DY','Node_0_1'])
    return data
    # print(data.head())

#显示图形
def show_pc():
    data=todata()
   positive=data[data['Node_0_1'].isin([1])]
   negative=data[data['Node_0_1'].isin([0])]
    fig,ax=plt.subplots(figsize=(15,10))#绘制散点图
    ax.scatter(positive['DX'],positive['DY'],s=50,c='b',marker='o',label='Node_1')
   ax.scatter(negative['DX'],negative['DY'],s=50,c='r',marker='x',label='Node_0')
    ax.legend()
    ax.set_xlabel('DX Score')
    ax.set_ylabel('DY Score')
    plt.show()

#定义假设函数
def sigmoid(z):
    return 1/(1+np.exp(-z))

#绘制假设函数
def show_z():
    nums=np.arange(-15,15,step=1)
    fig,ax=plt.subplots(figsize=(15,10))
    ax.plot(nums,sigmoid(nums),'r')
    # plt.show()

#对数据做一些处理
def taking_data():
    data=todata()
    data.insert(0,'ones',1)
    cols=data.shape[1]
    X1=data.iloc[:,0:cols-1]
    y1=data.iloc[:,cols-1:cols]

    X=np.array(X1.values)
    y=np.array(y1.values)
    theta=np.zeros(3)
    return X,y,theta

#代价函数
def cost(theta,X,y):
    theta=np.matrix(theta)
    X=np.matrix(X)
    y=np.matrix(y)
   first=np.multiply(-y,np.log(sigmoid(X*theta.T)))
   second=np.multiply((1-y),np.log(1-sigmoid(X*theta.T)))
    return np.sum(first-second)/len(X)

#梯度下降
def gradients(theta,X,y):
    theta=np.matrix(theta)
    X=np.matrix(X)
    y=np.matrix(y)

   parameters=int(theta.ravel().shape[1])
    grads_n=np.zeros(parameters)

    error=sigmoid(X*theta.T)-y

    for i in range(parameters):
        term=np.multiply(error,X[:,i])
        grads_n[i]=np.sum(term)/len(X)
    return grads_n

#寻找最优参数
def result():
    X,y,theta=taking_data()
    cost(theta,X,y)
    gradients(theta,X,y)
   result=opt.fmin_tnc(func=cost,x0=theta,fprime=gradients,args=(X,y))
    return result

#计算分类器精度
def predict(theta,X):
    probability=sigmoid(X*theta.T)
    return [1 if x >=0.5 else 0 for xin probability]

if __name__=='__main__':
    show_pc()
    # show_z()
    X,y,theta=taking_data()
   result=result()
    theta_min=np.matrix(result[0])
    predictions=predict(theta_min,X)
    correct=[1 if ((a==1 and b==1) or(a==0 and b==0)) else 0 for (a,b) in zip(predictions,y)]
    accuray=(sum(map(int,correct)) %len(correct))
    print ('accuracy ={0}%'.format(accuray))

点击打开链接