Logistic回归，梯度上升算法理论详解和实现

经过对Logistic回归理论的学习，推导出取对数后的似然函数为

 

        

 

现在我们的目的是求一个向量，使得最大。其中

 

            

 

        

 

对这个似然函数求偏导后得到

 

        

 

根据梯度上升算法有

 

        

 

进一步得到

 

         

 

我们可以初始化向量为0，或者随机值，然后进行迭代达到指定的精度为止。

 

 

 

 

1 def sigmoid(inX):
2     return 1.0/(1+exp(-inX))

View Code

 

 1 def gradAscent(dataMatIn, classLabels):
 2     dataMatrix = mat(dataMatIn)             #convert to NumPy matrix
 3     labelMat = mat(classLabels).transpose() #convert to NumPy matrix
 4     m,n = shape(dataMatrix)
 5     alpha = 0.001
 6     maxCycles = 500
 7     weights = ones((n,1))
 8     for k in range(maxCycles):              #heavy on matrix operations
 9         h = sigmoid(dataMatrix*weights)     #matrix mult
10         error = (labelMat - h)              #vector subtraction
11         weights = weights + alpha * dataMatrix.transpose()* error #matrix mult
12     return weights

View Code

 

转载于:https://www.cnblogs.com/yyxayz/p/4047527.html