tensorflow实现逻辑回归

数据用的sklearn自带的乳腺癌数据集，中间写了好几次loss函数都出问题了，最后用的tf.nn.sigmoid_cross_entropy_with_logits(_sentinel=None, labels=None, logits=None, name=None)这个方法实现的。

代码如下：

from sklearn.model_selection import train_test_split
import tensorflow as tf
from sklearn.datasets import load_breast_cancer
import numpy as np
from sklearn.preprocessing import MinMaxScaler

#数据预处理

breast_cancer=load_breast_cancer()
label=breast_cancer.target.reshape([-1,1])
feature=breast_cancer.data
minmxx=MinMaxScaler([0,1])
minmxx.fit(feature)
feature=minmxx.transform(feature)

#tensorflow

w=tf.Variable(tf.random_normal([30,1]))
b=tf.Variable(tf.zeros([1,1]))
x=tf.placeholder(tf.float32)
y=tf.placeholder(tf.float32)
ye=tf.matmul(x,w)+b
pre=tf.sigmoid(ye)
#loss=-tf.reduce_mean(tf.square(y-pre))
loss=tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(labels=y,logits=pre))
train=tf.train.AdamOptimizer(0.1).minimize(loss)
init=tf.global_variables_initializer()
sess=tf.Session()
sess.run(init)

for step in range(20001):
    sess.run(train,feed_dict={x:feature,y:label})
    if step%2000==0:
        print(sess.run([loss],feed_dict={x:feature,y:label}))

#计算测试精度

pred=sess.run(pre,feed_dict={x:feature,y:label})

from sklearn import metrics
print(metrics.classification_report(label,pred.round()))

最后计算结果还可以。刚开始学的时候总想着上手去写，所以过程中遇到了很多困难，比如矩阵乘法问题，loss总是不收敛、loss会出现nan的问题，也都找到了解决的办法，感觉是对于这个框架慢慢的逐渐熟悉就好了。