天池 机器学习算法（一）: 基于逻辑回归的分类预测

pytorch实战

课时7 神经网络

1. MSE的缺点：偏导值在输出概率值接近0或者接近1的时候非常小，这可能会造成模型刚开始训练时，偏导值几乎消失，模型速度非常慢。

2. 交叉熵损失函数：平方损失则过于严格，需要使用更合适衡量两个概率分布差异的测量函数。
   使用逻辑函数得到概率，并结合交叉熵当损失函数时，在模型效果差的时候学习速度比较快，在模型效果好的时候学习速度变慢。

3. torch.randint(0,2,(10,))
   报错：torch.randint(0,2,(10))必须要有逗号

4. x.view()相当于reshape。x.view((-1, 4))当第一个参数为-1时，自动调整为n行4列的张量

5. 写模型时需要注意：

   • super(LinearNet,self).init()
   • forward(self, X):

6. 查看模型参数：net.state_dict()

机器学习算法（一）: 基于逻辑回归的分类预测

天池学习地址

逻辑回归使用交叉熵作为损失函数，我理解的步骤为：

1. 初始化w和b，计算所有点的y值。
2. 利用sigmoid函数将y值转化为属于某一类的概率
3. 利用交叉熵损失，希望损失最小，不断更新w和b

下面是天池的具体内容：

# 可视化决策边界
plt.figure()
plt.scatter(x_fearures[:,0],x_fearures[:,1], c=y_label, s=50, cmap='viridis') # 绘制三点图
plt.title('Dataset')

# x割裂成200份，y为100，生成网格矩阵，存储网格矩阵的点，20000个点。画图的时候，不需要一定按照x和y的坐标，使用网格坐标也可
nx, ny = 200, 100
x_min, x_max = plt.xlim()
y_min, y_max = plt.ylim() # 边界的大小
x_grid, y_grid = np.meshgrid(np.linspace(x_min, x_max, nx),np.linspace(y_min, y_max, ny)) #x_grid, y_grid的大小都是100*200，计数是从左下到右上

# 根据网格矩阵，也就是有20000个点，计算每个点分别为1类和2类的概率，z_proba的结果
''' array([[0.98401648, 0.01598352],
       [0.98362875, 0.01637125],
       [0.98323179, 0.01676821],
       ...,
       [0.01094403, 0.98905597],
       [0.01068344, 0.98931656],
       [0.01042899, 0.98957101]]) '''
z_proba = lr_clf.predict_proba(np.c_[x_grid.ravel(), y_grid.ravel()]) # ravel()将二维合成一维
z_proba = z_proba[:, 1].reshape(x_grid.shape) # 此时z_proba是对应的类别1的预测概率
plt.contour(x_grid, y_grid, z_proba, [0.5], linewidths=2., colors='blue') # 绘制等高线的函数，例如画一座山。XY的坐标，和山的高度

plt.show()

下面是分析iris数据集的一般步骤：

1. 数据集的读取，转化为pandas元素

   iris_target = data.target #得到数据对应的标签
   iris_features = pd.DataFrame(data=data.data, columns=data.feature_names) #利用Pandas转化为DataFrame格式
   

2. 查看数据集的基本信息：

   # 这些函数是pandas的，所以数据格式为Series和DataFrame
   ## 利用.info()查看数据的整体信息
   iris_features.info()
   ## 进行简单的数据查看，我们可以利用 .head() 头部.tail()尾部
   iris_features.head()
   iris_features.tail()
   ## 其对应的类别标签为，其中0，1，2分别代表'setosa', 'versicolor', 'virginica'三种不同花的类别。
   iris_target
   ## 利用value_counts函数查看每个类别数量
   pd.Series(iris_target).value_counts()
   ## 对于特征进行一些统计描述
   iris_features.describe()
   

3. 可视化描述：散点和箱线图

   ## 特征与标签组合的散点可视化
   sns.pairplot(data=iris_all,diag_kind='hist', hue= 'target')
   plt.show()
   ## 箱线图
   for col in iris_features.columns:
       sns.boxplot(x='target', y=col, saturation=0.5,palette='pastel', data=iris_all)
       plt.title(col)
       plt.show()
   
   

4. 利用模型进行训练：划分数据集，定义模型，模型训练，打印参数

   ## 划分数据集
   from sklearn.model_selection import train_test_split
   x_train, x_test, y_train, y_test = train_test_split(iris_features_part, iris_target_part, test_size = 0.2, random_state = 2020)
   ## 模型训练
   from sklearn.linear_model import LogisticRegression
   clf = LogisticRegression(random_state=0, solver='lbfgs')
   clf.fit(x_train, y_train)
   clf.coef_
   clf.intercept_
   

5. 利用模型进行测试，可视化测试结果：预测结果和概率，计算混淆矩阵，利用矩阵和热力图可视化

   ## 测试结果是一个array，类别和概率分别如下
   test_predict = clf.predict(x_test)
   test_predict_proba = clf.predict_proba(x_test)
   ## 正确率计算
   from sklearn import metrics
   print('The accuracy of the Logistic Regression is:',metrics.accuracy_score(y_test,test_predict))
   ## 查看混淆矩阵
   confusion_matrix_result = metrics.confusion_matrix(test_predict,y_test)
   # 利用热力图对于结果进行可视化
   plt.figure(figsize=(8, 6))
   sns.heatmap(confusion_matrix_result, annot=True, cmap='Blues')
   plt.xlabel('Predicted labels')
   plt.ylabel('True labels')
   plt.show()