01逻辑回归可以用来解决简单的二分类问题。
逻辑回归的预测函数为 h θ ( x ) = g ( θ T x ) h_\theta (x)=g(\theta^Tx) hθ(x)=g(θTx),其中 g ( x ) g(x) g(x)为 s i g m o i d sigmoid sigmoid函数,用于将数值映射到区间 [ 0 , 1 ] [0,1] [0,1]中,然后再取对数值用于刻画损失函数。
我们先来实现一个简单的线性逻辑回归的二分类问题:
数据下载:https://pan.baidu.com/s/17bCV1et7fpr2T2XK3dcRRA?pwd=o4br
import numpy as np
import pandas as pd
from matplotlib import pyplot as plt
from sklearn.metrics import classification_report #计算正确率,召回率,F1值
from sklearn import linear_model #导入逻辑回归模型库
data=np.genfromtxt("LR-testSet.csv",delimiter=',') #读取数据
x_data=data[:,:-1] #特征
y_data=data[:,-1] #标签
column,row=data.shape
x0=[]
y0=[]
x1=[]
y1=[]
def classify(): #分类并绘制散点图
for i in range(column):
if(data[i,-1]==1):
x0.append(x_data[i,0])
y0.append(x_data[i,1])
else:
x1.append(x_data[i,0])
y1.append(x_data[i,1])
plt.scatter(x0,y0,c='b',marker='.',label='0')
plt.scatter(x1,y1,c='r',marker='x',label='1')
classify()
model=linear_model.LogisticRegression()
model.fit(x_data,y_data) #建立逻辑回归模型
x_=np.arange(-4,4,0.01)
classify()
y_=-(model.intercept_+model.coef_[0][0]*x_)/model.coef_[0][1]
plt.plot(x_,y_,c='y') #输出分类线
plt.legend()
plt.title("01逻辑回归")
plt.xlabel("x0")
plt.ylabel("x1")
plt.show()
predictions=model.predict(x_data)
print(classification_report(y_data,predictions)) #输出分类结果分析
我们再来实现一个非线性的逻辑回归:
数据下载:https://pan.baidu.com/s/1D3Rp2XYeB_dXjTR-fj2mYg?pwd=l9vi
import numpy as np
import matplotlib.pyplot as plt
from sklearn import linear_model
from sklearn.metrics import classification_report
from sklearn.preprocessing import PolynomialFeatures #多项式特征库
data=np.genfromtxt("LR-testSet2.txt",delimiter=',')
x_data=data[:,:-1]
y_data=data[:,-1]
colomn,row=data.shape
x0=[]
y0=[]
x1=[]
y1=[]
def classify():
for i in range(colomn):
if(y_data[i]==0):
x0.append(x_data[i][0])
y0.append(x_data[i][1])
else:
x1.append(x_data[i][0])
y1.append(x_data[i][1])
plt.scatter(x0,y0,c='b',marker='o',label='0')
plt.scatter(x1,y1,c='r',marker='x',label='1')
classify()
plt.legend()
plt.show()
poly=PolynomialFeatures(degree=2) #采用二次多项式
x_poly=poly.fit_transform(x_data)
model=linear_model.LogisticRegression()
model.fit(x_poly,y_data)
x_min,x_max=x_data[:,0].min()-0.3,x_data[:,0].max()+0.3
y_min,y_max=x_data[:,1].min()-0.3,x_data[:,1].max()+0.3
xx,yy=np.meshgrid(np.arange(x_min,x_max,0.01),np.arange(y_min,y_max,0.01))
z=model.predict(poly.fit_transform(np.c_[xx.flatten(),yy.flatten()])) #先展平,在从列方向叠加
z=z.reshape(xx.shape) #把展平后的一维的z重新变为与xxsize相同的二维数组
cs=plt.contourf(xx,yy,z) #绘制等高线图
plt.scatter(x0,y0,c='b',marker='o',label='0')
plt.scatter(x1,y1,c='r',marker='x',label='1')
plt.show()
predictions=model.predict(x_poly)
print(classification_report(y_data,predictions))