《机器学习（周志华）》习题3.3答案

编程实现对率回归，并给出西瓜数据集3.0@上的结果。

对率回归即逻辑回归，可以看做没有隐藏层的，用sigmoid做激活函数，crossentropy做cost（不加regularization）的神经网络。

本题用theano实现，调参时，learning rate 设为1，更大则cost会出现震荡，迭代次数设为10000可收敛，但是，训练效果并不好，最高准确率也只有70%。简单分析，根据前面knn和决策树画的分类面，可以看出这个问题不是线性可分的，因此逻辑回归在这里不太适用。

第一次用theano，还是简单记录下

theano中有符号变量的概念，无实值，类似C语言，必须先声明其类型；表达式的概念，并没有做计算；函数的概念，定义好输入输出，输出一般是表达式，输入是与输出相关的变量（不要多也不要少），传入参数后，theano将会编译表达式（包含各种优化，时间较长），然后带入计算。

此外，函数中还可以有updates参数，形式为一对对的tuple，每对tuple由欲更新的变量，及更新的值组成。因为符号变量是无实值的，无法更新，这里没法用，于是有shared的概念，shared符号变量是有实值的。updates意义是，每次函数调用完后，updates参数中的tuple都发生一次更新。虽然其他方法也可以实现updates，但推荐使用updates，因为它涉及到一些theano的底层优化，例如减少gpu和cpu的通信，降低内存拷贝的时间。

theano还有自动求导功能，theano.grad()，以及一些在神经网络中常用的函数，softmax，交叉熵等。

具体实例可参考代码：

# coding: utf-8
import numpy as np
import theano.tensor as T 
import theano
import numpy.random as rng
from theano.tensor.nnet import sigmoid, binary_crossentropy

file = open('西瓜数据集3.csv'.decode('utf-8'))
data = [raw.strip('\n').split(',') for raw in file]
X = [[float(raw[-3]), float(raw[-2])] for raw in data[1:]]
Y = [1 if raw[-1]=='是' else 0 for raw in data[1:]]

feats = len(X[0])
lrate = 1
maxturn = 10000
x = T.dmatrix('x')
y = T.vector('y')
w = theano.shared(rng.normal(size=feats), name='w')
b = theano.shared(rng.randn(), name='b')

z = T.dot(x, w) + b
p = sigmoid(z)
cost = binary_crossentropy(p, y).mean()
gw, gb = theano.grad(cost, [w, b])
pred_res = p > 0.5
fit = theano.function(inputs=[x, y], outputs=[cost, gw, gb], updates=((w, w-lrate*gw), (b, b-lrate*gb)))
predict = theano.function(inputs=[x], outputs=[pred_res])

for i in range(maxturn):
	print fit(X, Y)
train_res = predict(X)[0]
print 'predict result:'
print train_res
print 'accuracy:'
print float(sum([Y[i]==train_res[i] for i in range(len(Y))])) / len(Y)