Logistic Regression——逻辑回归

1. 为什么需要逻辑回归     

        在前面学习的线性回归中，我们的预测值都是任意的连续值，例如预测房价。除此之外，还有一个常见的问题就是分类问题，而逻辑回归是一个解决分类问题的模型，其预测值是离散的。

        分类问题又包括二分类问题与多分类问题，对于二分类问题来说，预测值只可能是\否即1\0,

        对于多分类问题来说，预测值可能是多个分类中的一个，例如我输入的是一些动物的图片，我想让模型辨认这些是什么动物，我可以设定预测值1代表模型认为输入是一只猫，预测值2代表模型认为输入是一只狗，预测值3代表模型认为输入是一只猪。

2. 二分类逻辑回归

2.1 从线性回归到分类

        如果有这样一个场景，输入x为肿瘤的大小，而需要预测是否是恶性的。接下来我们仍然使用线性回归模型，但如果我们这增设这样一个阈值

        这样一来，所有预测值都将变成1或者0，实现了分类的目的

2.2 逻辑回归模型

        对于线性回归的模型来说，其输出值是任意的，常常会远远大于1或者远远小于0，仅仅上述的阈值可能并不会起到作用或者效果很差。

        对此，逻辑回归会先将所有预测值通过sigmoid 函数映射到[0,1]区间，函数表达式和图像如下图

                                                        （z为输入）

        ​​​​​​​        ​​​​​​​        

        sigmoid 函数是一个非线性函数，当x大于0时，输出值大于0.5，当x<0时输出值小于0.5

        最终我们得到逻辑回归的模型如下

        ​​​​​​​        

           作用是，对于给定的输入变量，通过参数计算输出变量为1的可能性是多少

        假如对于一个输入x，最终计算出=0.7，则模型认为有70%的可能其为正向类（=1），相反负向类的可能性就为1-0.7=0.3

        最后在分类时，再入加上之前的阈值

        所以逻辑回归就是线性回归再嵌套一个非线性的sigmoid函数，其本质还是回归

2.4 决策边界（Decision Boundary）

        假如分类这样一些数据，‘x’为1，圈为0

        ​​​​​​​        ​​​​​​​        ​​​​​​​        

        通过建立逻辑回归模型

        ​​​​​​​        ​​​​​​​        ​​​​​​​        

        假设经过训练我们得到了这样一组参数，于是得到嵌套在逻辑回归里的线性回归模型，根据逻辑回归的原理当时预测1，当时预测0，于是分隔情况就是，我们可以画出这个直线

        ​​​​​​​        ​​​​​​​        ​​​​​​​        

        这条线便是模型的决策边界

        如果是这样的数据

        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        

        建立逻辑回归模型、

        得到参数

        同样的原理，得到其决策边界，是一个圆心在原点，半径为1的圆

        ​​​​​​​        ​​​​​​​        ​​​​​​​                

2.5 损失函数

2.5.1 为什么不用MSE损失函数

       根据上述的理论可以知道，逻辑回归的和线性回归的本质是一样的。那是不是意味着损失函数也可以用MSE。

        在线性回归中损失函数如下

        我们将​​​​​​​带入可以得到

        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​

        得到的是一个非凸函数（non-convexfunction），这会很大程度上影响梯度下降法寻找全局最小值，很可能停留在在某个局部极小值

2.5.2 对数损失函数

        介于上述问题，对于二分类逻辑回归来说，使用的是对数损失函数。

对于一个样本来说，预测值会有1和0两种情况，对应两个损失值

（log一般以e为底）

        ​​​​​​​        ​​​​​​​        

        当实际y=1时，如果预测值=1，此时预测是完全正确的，代入上式计算误差为0，如果预测值不为1，代表模型没有100%的把握认为这是正向类的，此时误差会随着的减小而变大。

        ​​​​​​​        ​​​​​​​        ​​​​​​​        

        当实际y=0时，如果预测值=0，此时预测是完全正确的，代入上式计算误差为0，如果预测值不为0，代表模型没有100%的把握认为这是负向类的，此时误差会随着的增大而变大。

        ​​​​​​​        ​​​​​​​        ​​​​​​​        

        将这两种情况合在一起

        再求和取平均得到最终损失函数表达式

        采用矩阵的形式表达

2.6 梯度下降

        矩阵表达式为

        使用梯度下降

        矩阵表达式为

3. 多分类逻辑回归

        多分类逻辑回归的实现依赖于二分类

        将其中一个类标记为正向类，然后将其他类都标记为负向类，得到一个模型，接着选择另外一个类标记为正向类，然后将其他类都标记为负向类，又得到一个模型，以此类推，我们可以得到一系列模型，假设有k个类

        ,i=（1，2，3，4……k）

        训练好这一系列模型后，对于一个输入x，让其在所有的分类器都得到一个输出，最后选择一个max作为最终的输出

4. 逻辑回归的实例

        ex2data1数据集包含100行数据前两列是学生的两种考试的成绩，最后一列是他们被是否录取。需要根据学生的两种考试的成绩来预测他们被是否录取。

1.读取数据集

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

data = pd.read_csv('ex2data1.txt',names=['exam1','exam2','admitted'])
data.head()

# 根据admitted的值分类
plt.scatter(positive['exam1'],positive['exam2'],marker='o',label='Admitted')
plt.scatter(negative['exam1'],negative['exam2'],marker='x',label='Not Admitted')
plt.xlabel('Exam1 Score')
plt.ylabel('Exam2 Score')
plt.legend()
plt.show()

2.数据预处理

data.insert(0,'ones',1)
X = data.iloc[:,0:-1].values
y = data.iloc[:,-1].values
y = y.reshape(100,1)

3.定义Sigmoid函数

def sigmoid(z):
    return 1/(1+np.exp(-z))

4.定义损失函数

def lossFunction(X,y,theta):
    m = len(X)
    h = sigmoid(X@theta)
    return (1/m)*np.sum(-y.T@np.log(h)-(1-y).T@np.log(1-h))

5.模型训练

def train(X,y,alpha,epochs):
    loss_history = []
    theta = np.random.rand(3,1)
    for i in range(epochs):
        m = len(X)
        h = sigmoid(X@theta)
        theta = theta - (alpha/m)*X.T@(h-y)
        current_loss = lossFunction(X,y,theta)
        loss_history.append(current_loss) 
        if (i+1) % 100 == 0:
            print("epochs={},current_loss={}".format(i+1,current_loss))
     # 绘制损失函数图像
    plt.plot(range(1,epochs+1),loss_history)
    plt.xlabel('epochs')
    plt.ylabel('loss')
    plt.title('Loss Curve')
    plt.show()
    return theta

# 参数
alpha = 0.1
epochs = 1000
theta = train(X,y,alpha,epochs)

admitted = X[y.flatten() == 1]
not_admitted = X[y.flatten() == 0]
plt.scatter(admitted[:, 1], admitted[:, 2], label='Admitted', marker='o')
plt.scatter(not_admitted[:, 1], not_admitted[:, 2], label='Not Admitted', marker='x')
plt.xlabel('Exam 1 score')
plt.ylabel('Exam 2 score')

# 绘制决策边界
plot_x = np.array([min(X[:, 1]) - 2, max(X[:, 1]) + 2])
plot_y = (-1 / theta[2]) * (theta[1] * plot_x + theta[0])
plt.plot(plot_x, plot_y, label='Decision Boundary')
plt.legend()
plt.show()