机器学习算法(一): 基于逻辑回归的分类预测

机器学习算法(一): 基于逻辑回归的分类预测

1 逻辑回归的介绍和应用

1.1 逻辑回归的介绍

逻辑回归(Logistic regression,简称LR)虽然其中带有"回归"两个字,但逻辑回归其实是一个分类模型,并且广泛应用于各个领域之中。虽然现在深度学习相对于这些传统方法更为火热,但实则这些传统方法由于其独特的优势依然广泛应用于各个领域中。

而对于逻辑回归而且,最为突出的两点就是其模型简单模型的可解释性强

逻辑回归模型的优劣势:

  • 优点:实现简单,易于理解和实现;计算代价不高,速度很快,存储资源低;
  • 缺点:容易欠拟合,分类精度可能不高

1.2 逻辑回归的应用

逻辑回归模型广泛用于各个领域,包括机器学习,大多数医学领域和社会科学。例如,最初由Boyd 等人开发的创伤和损伤严重度评分(TRISS)被广泛用于预测受伤患者的死亡率,使用逻辑回归 基于观察到的患者特征(年龄,性别,体重指数,各种血液检查的结果等)分析预测发生特定疾病(例如糖尿病,冠心病)的风险。逻辑回归模型也用于预测在给定的过程中,系统或产品的故障的可能性。还用于市场营销应用程序,例如预测客户购买产品或中止订购的倾向等。在经济学中它可以用来预测一个人选择进入劳动力市场的可能性,而商业应用则可以用来预测房主拖欠抵押贷款的可能性。条件随机字段是逻辑回归到顺序数据的扩展,用于自然语言处理。

逻辑回归模型现在同样是很多分类算法的基础组件,比如 分类任务中基于GBDT算法+LR逻辑回归实现的信用卡交易反欺诈,CTR(点击通过率)预估等,其好处在于输出值自然地落在0到1之间,并且有概率意义。模型清晰,有对应的概率学理论基础。它拟合出来的参数就代表了每一个特征(feature)对结果的影响。也是一个理解数据的好工具。但同时由于其本质上是一个线性的分类器,所以不能应对较为复杂的数据情况。很多时候我们也会拿逻辑回归模型去做一些任务尝试的基线(基础水平)。

说了这些逻辑回归的概念和应用,大家应该已经对其有所期待了吧,那么我们现在开始吧!!!

2 手推公式

逻辑回归的因变量则是一个 0/1 的二分类值,这就需要我们建立一种映射将原先的实值转化为 0/1 值。也就是sigmoid 函数了:
f ( x ) = 1 1 + e − x f(x) = \frac{1}{1+e^{-x}} f(x)=1+e−x1​
函数图形如下:
机器学习算法(一): 基于逻辑回归的分类预测
igmoid 函数还有一个很好的特性就是其求导计算等于下式,这给我们后续求交叉熵损失的梯度时提供了很大便利。
f ′ ( x ) = f ( x ) ( 1 − f ( x ) ) f'(x)=f(x)(1-f(x)) f′(x)=f(x)(1−f(x))
逻辑回归模型的数学推导
由 sigmoid 函数可知逻辑回归模型的基本形式为:
y = 1 1 + e − W T x + b y=\frac{1}{1+e^{-W^Tx+b}} y=1+e−WTx+b1​
对上式转换:
ln ⁡ y 1 − y = W T x + b \ln \frac{y}{1-y}=W^Tx+b ln1−yy​=WTx+b
由 sigmoid 函数可知逻辑回归模型的基本形式为:
ln ⁡ p ( y = 1 ∣ x ) p ( y = 0 ∣ x ) = W T x + b \ln \frac{p(y=1|x)}{p(y=0|x)}=W^Tx+b lnp(y=0∣x)p(y=1∣x)​=WTx+b
则有
p ( y = 1 ∣ x ) = e W T x + b 1 + e W T x + b = y ^ p ( y = 0 ∣ x ) = 1 1 + e W T x + b = 1 − y ^ p(y=1|x)=\frac{e^{W^Tx+b}}{1+e^{W^Tx+b}}=\hat{y}\\p(y=0|x)= \frac{1}{1+e^{W^Tx+b}}=1-\hat{y} p(y=1∣x)=1+eWTx+beWTx+b​=y^​p(y=0∣x)=1+eWTx+b1​=1−y^​
将上式进行简单综合:
p ( y ∣ x ) = y ^ y ( 1 − y ^ ) 1 − y p(y|x)=\hat{y}^y(1-\hat{y})^{1-y} p(y∣x)=y^​y(1−y^​)1−y
写成对数形式就是我们熟知的交叉熵损失函数了,这也是交叉熵损失的推导由来:
ln ⁡ p ( y ∣ x ) = y l o g y ^ + ( 1 − y ) l o g ( 1 − y ^ ) ln ⁡ p ( y ∣ x ) = y l o g 1 1 + e − W T x + b + ( 1 − y ) log ⁡ ( 1 − 1 1 + e − W T x + b ) \ln p(y|x)=ylog\hat{y}+(1-y)log(1-\hat{y})\\\ln p(y|x)=ylog\frac{1}{1+e^{-W^Tx+b}}+(1-y)\log (1-\frac{1}{1+e^{-W^Tx+b}}) lnp(y∣x)=ylogy^​+(1−y)log(1−y^​)lnp(y∣x)=ylog1+e−WTx+b1​+(1−y)log(1−1+e−WTx+b1​)
最优化上式子本质上就是我们统计上所说的求其极大似然估计,可基于上式分别关于 W 和b 求其偏导可得:
∂ L ∂ W = 1 m x ( y ^ − y ) ∂ L ∂ W = 1 m ∑ i = 1 m ( y ^ − y ) \frac{\partial L}{\partial W}= \frac{1}{m}x(\hat{y}-y)\\ \frac{\partial L}{\partial W}=\frac{1}{m}\displaystyle\sum_{i=1}^m(\hat{y}-y) ∂W∂L​=m1​x(y^​−y)∂W∂L​=m1​i=1∑m​(y^​−y)
基于 W 和 b 的梯度进行权值更新即可求导参数的最优值,使得损失函数最小化,也即求得参数的极大似然估计

3 代码流程

Part1 Demo实践

  • Step1:库函数导入

    ##  基础函数库
    import numpy as np 
    
    ## 导入画图库
    import matplotlib.pyplot as plt
    import seaborn as sns
    
    ## 导入逻辑回归模型函数
    from sklearn.linear_model import LogisticRegression
    
  • Step2:模型训练

    ##Demo演示LogisticRegression分类
    
    ## 构造数据集
    x_fearures = np.array([[-1, -2], [-2, -1], [-3, -2], [1, 3], [2, 1], [3, 2]])
    y_label = np.array([0, 0, 0, 1, 1, 1])
    
    ## 调用逻辑回归模型
    lr_clf = LogisticRegression()
    
    ## 用逻辑回归模型拟合构造的数据集
    lr_clf = lr_clf.fit(x_fearures, y_label) #其拟合方程为 y=w0+w1*x1+w2*x2
    
  • Step3:模型参数查看

    ## 查看其对应模型的w
    print('the weight of Logistic Regression:',lr_clf.coef_)
    
    ## 查看其对应模型的w0
    print('the intercept(w0) of Logistic Regression:',lr_clf.intercept_)
    

    输出结果:
    机器学习算法(一): 基于逻辑回归的分类预测

  • Step4:数据和模型可视化

    ## 可视化构造的数据样本点
      plt.figure()
      plt.scatter(x_fearures[:,0],x_fearures[:,1], c=y_label, s=50, cmap='viridis')
      plt.title('Dataset')
      plt.show()
    

    输出结果:
    机器学习算法(一): 基于逻辑回归的分类预测

    # 可视化决策边界
    plt.figure()
    plt.scatter(x_fearures[:,0],x_fearures[:,1], c=y_label, s=50, cmap='viridis')
    plt.title('Dataset')
    
    nx, ny = 200, 100
    x_min, x_max = plt.xlim()
    y_min, y_max = plt.ylim()
    x_grid, y_grid = np.meshgrid(np.linspace(x_min, x_max, nx),np.linspace(y_min, y_max, ny))
    
    z_proba = lr_clf.predict_proba(np.c_[x_grid.ravel(), y_grid.ravel()])
    z_proba = z_proba[:, 1].reshape(x_grid.shape)
    plt.contour(x_grid, y_grid, z_proba, [0.5], linewidths=2., colors='blue')
    
    plt.show()
    

    输出结果:
    机器学习算法(一): 基于逻辑回归的分类预测

    ### 可视化预测新样本
    
    plt.figure()
    ## new point 1
    x_fearures_new1 = np.array([[0, -1]])
    plt.scatter(x_fearures_new1[:,0],x_fearures_new1[:,1], s=50, cmap='viridis')
    plt.annotate(s='New point 1',xy=(0,-1),xytext=(-2,0),color='blue',arrowprops=dict(arrowstyle='-|>',connectionstyle='arc3',color='red'))
    
    ## new point 2
    x_fearures_new2 = np.array([[1, 2]])
    plt.scatter(x_fearures_new2[:,0],x_fearures_new2[:,1], s=50, cmap='viridis')
    plt.annotate(s='New point 2',xy=(1,2),xytext=(-1.5,2.5),color='red',arrowprops=dict(arrowstyle='-|>',connectionstyle='arc3',color='red'))
    
    ## 训练样本
    plt.scatter(x_fearures[:,0],x_fearures[:,1], c=y_label, s=50, cmap='viridis')
    plt.title('Dataset')
    
    # 可视化决策边界
    plt.contour(x_grid, y_grid, z_proba, [0.5], linewidths=2., colors='blue')
    
    plt.show()
    

    输出结果:
    机器学习算法(一): 基于逻辑回归的分类预测

  • Step5:模型预测

    ## 在训练集和测试集上分布利用训练好的模型进行预测
    y_label_new1_predict = lr_clf.predict(x_fearures_new1)
    y_label_new2_predict = lr_clf.predict(x_fearures_new2)
    
    print('The New point 1 predict class:\n',y_label_new1_predict)
    print('The New point 2 predict class:\n',y_label_new2_predict)
    
    ## 由于逻辑回归模型是概率预测模型(前文介绍的 p = p(y=1|x,\theta)),所有我们可以利用 predict_proba 函数预测其概率
    y_label_new1_predict_proba = lr_clf.predict_proba(x_fearures_new1)
    y_label_new2_predict_proba = lr_clf.predict_proba(x_fearures_new2)
    
    print('The New point 1 predict Probability of each class:\n',y_label_new1_predict_proba)
    print('The New point 2 predict Probability of each class:\n',y_label_new2_predict_proba)
    

    输出结果:
    机器学习算法(一): 基于逻辑回归的分类预测
    可以发现训练好的回归模型将X_new1预测为了类别0(判别面左下侧),X_new2预测为了类别1(判别面右上侧)。其训练得到的逻辑回归模型的概率为0.5的判别面为上图中蓝色的线。

Part2 基于鸢尾花(iris)数据集的逻辑回归分类实践

在实践的最开始,我们首先需要导入一些基础的函数库包括:numpy (Python进行科学计算的基础软件包),pandas(pandas是一种快速,强大,灵活且易于使用的开源数据分析和处理工具),matplotlib和seaborn绘图。

  • Step1:库函数导入

    ##  基础函数库
    import numpy as np 
    import pandas as pd
    
    ## 绘图函数库
    import matplotlib.pyplot as plt
    import seaborn as sns
    

    本次我们选择鸢花数据(iris)进行方法的尝试训练,该数据集一共包含5个变量,其中4个特征变量,1个目标分类变量。共有150个样本,目标变量为 花的类别 其都属于鸢尾属下的三个亚属,分别是山鸢尾 (Iris-setosa),变色鸢尾(Iris-versicolor)和维吉尼亚鸢尾(Iris-virginica)。包含的三种鸢尾花的四个特征,分别是花萼长度(cm)、花萼宽度(cm)、花瓣长度(cm)、花瓣宽度(cm),这些形态特征在过去被用来识别物种。
    机器学习算法(一): 基于逻辑回归的分类预测

  • Step2:数据读取/载入

    ## 我们利用 sklearn 中自带的 iris 数据作为数据载入,并利用Pandas转化为DataFrame格式
    from sklearn.datasets import load_iris
    data = load_iris() #得到数据特征
    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
    
  • Step3:数据信息简单查看

    ## 利用.info()查看数据的整体信息
    iris_features.info()
    

    输出结果:
    机器学习算法(一): 基于逻辑回归的分类预测

      ## 进行简单的数据查看,我们可以利用 .head() 头部.tail()尾部
      iris_features.head()  
    

    输出结果:
    机器学习算法(一): 基于逻辑回归的分类预测

    iris_features.tail()
    

    输出结果:
    机器学习算法(一): 基于逻辑回归的分类预测

    ## 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
    

    输出结果:
    机器学习算法(一): 基于逻辑回归的分类预测

    ## 利用value_counts函数查看每个类别数量
    pd.Series(iris_target).value_counts()
    

    输出结果:
    机器学习算法(一): 基于逻辑回归的分类预测

    ## 对于特征进行一些统计描述
    iris_features.describe()
    

    输出结果:
    机器学习算法(一): 基于逻辑回归的分类预测
    从统计描述中我们可以看到不同数值特征的变化范围。

  • Step4:可视化描述

    ## 合并标签和特征信息
    iris_all = iris_features.copy() ##进行浅拷贝,防止对于原始数据的修改
    iris_all['target'] = iris_target
    
    ## 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()
    

    输出结果:
    机器学习算法(一): 基于逻辑回归的分类预测
    从上图可以发现,在2D情况下不同的特征组合对于不同类别的花的散点分布,以及大概的区分能力。

    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()
    

    输出结果:
    机器学习算法(一): 基于逻辑回归的分类预测
    利用箱型图我们也可以得到不同类别在不同特征上的分布差异情况。

    # 选取其前三个特征绘制三维散点图
    from mpl_toolkits.mplot3d import Axes3D
    
    fig = plt.figure(figsize=(10,8))
    ax = fig.add_subplot(111, projection='3d')
    
    iris_all_class0 = iris_all[iris_all['target']==0].values
    iris_all_class1 = iris_all[iris_all['target']==1].values
    iris_all_class2 = iris_all[iris_all['target']==2].values
    # 'setosa'(0), 'versicolor'(1), 'virginica'(2)
    ax.scatter(iris_all_class0[:,0], iris_all_class0[:,1], iris_all_class0[:,2],label='setosa')
    ax.scatter(iris_all_class1[:,0], iris_all_class1[:,1], iris_all_class1[:,2],label='versicolor')
    ax.scatter(iris_all_class2[:,0], iris_all_class2[:,1], iris_all_class2[:,2],label='virginica')
    plt.legend()
    
    plt.show()
    

    输出结果:机器学习算法(一): 基于逻辑回归的分类预测

  • Step5:利用 逻辑回归模型 在二分类上 进行训练和预测

    ## 为了正确评估模型性能,将数据划分为训练集和测试集,并在训练集上训练模型,在测试集上验证模型性能。
    from sklearn.model_selection import train_test_split
    
    ## 选择其类别为0和1的样本 (不包括类别为2的样本)
    iris_features_part = iris_features.iloc[:100]
    iris_target_part = iris_target[:100]
    
    ## 测试集大小为20%, 80%/20%分
    x_train, x_test, y_train, y_test = train_test_split(iris_features_part, iris_target_part, test_size = 0.2, random_state = 2020)
    
    ## 从sklearn中导入逻辑回归模型
    from sklearn.linear_model import LogisticRegression
    ## 定义 逻辑回归模型 
    clf = LogisticRegression(random_state=0, solver='lbfgs')
    # 在训练集上训练逻辑回归模型
    clf.fit(x_train, y_train)
    

    输出结果:
    机器学习算法(一): 基于逻辑回归的分类预测

    ## 查看其对应的w
    print('the weight of Logistic Regression:',clf.coef_)
    
    ## 查看其对应的w0
    print('the intercept(w0) of Logistic Regression:',clf.intercept_)
    

    输出结果:
    机器学习算法(一): 基于逻辑回归的分类预测

    ## 在训练集和测试集上分布利用训练好的模型进行预测
    train_predict = clf.predict(x_train)
    test_predict = clf.predict(x_test)
    
    from sklearn import metrics
    
    ## 利用accuracy(准确度)【预测正确的样本数目占总预测样本数目的比例】评估模型效果
    print('The accuracy of the Logistic Regression is:',metrics.accuracy_score(y_train,train_predict))
    print('The accuracy of the Logistic Regression is:',metrics.accuracy_score(y_test,test_predict))
    
    ## 查看混淆矩阵 (预测值和真实值的各类情况统计矩阵)
    confusion_matrix_result = metrics.confusion_matrix(test_predict,y_test)
    print('The confusion matrix result:\n',confusion_matrix_result)
    
    # 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()
    

    输出结果:
    机器学习算法(一): 基于逻辑回归的分类预测
    我们可以发现其准确度为1,代表所有的样本都预测正确了。

  • Step6:利用 逻辑回归模型 在三分类(多分类)上 进行训练和预测

    ## 测试集大小为20%, 80%/20%分
    x_train, x_test, y_train, y_test = train_test_split(iris_features, iris_target, test_size = 0.2, random_state = 2020)
    ## 定义 逻辑回归模型 
    clf = LogisticRegression(random_state=0, solver='lbfgs')
    # 在训练集上训练逻辑回归模型
    clf.fit(x_train, y_train)
    

    输出结果:
    机器学习算法(一): 基于逻辑回归的分类预测

    ## 查看其对应的w
    print('the weight of Logistic Regression:\n',clf.coef_)
    
    ## 查看其对应的w0
    print('the intercept(w0) of Logistic Regression:\n',clf.intercept_)
    
    ## 由于这个是3分类,所有我们这里得到了三个逻辑回归模型的参数,其三个逻辑回归组合起来即可实现三分类。
    

    输出结果:
    机器学习算法(一): 基于逻辑回归的分类预测

    ## 在训练集和测试集上分布利用训练好的模型进行预测
    train_predict = clf.predict(x_train)
    test_predict = clf.predict(x_test)
    
    ## 由于逻辑回归模型是概率预测模型(前文介绍的 p = p(y=1|x,\theta)),所有我们可以利用 predict_proba 函数预测其概率
    train_predict_proba = clf.predict_proba(x_train)
    test_predict_proba = clf.predict_proba(x_test)
    
    print('The test predict Probability of each class:\n',test_predict_proba)
    ## 其中第一列代表预测为0类的概率,第二列代表预测为1类的概率,第三列代表预测为2类的概率。
    
    ## 利用accuracy(准确度)【预测正确的样本数目占总预测样本数目的比例】评估模型效果
    print('The accuracy of the Logistic Regression is:',metrics.accuracy_score(y_train,train_predict))
    print('The accuracy of the Logistic Regression is:',metrics.accuracy_score(y_test,test_predict))
    

    输出结果:
    机器学习算法(一): 基于逻辑回归的分类预测

    ## 查看混淆矩阵
    confusion_matrix_result = metrics.confusion_matrix(test_predict,y_test)
    print('The confusion matrix result:\n',confusion_matrix_result)
    
    # 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()
    

    输出结果:
    机器学习算法(一): 基于逻辑回归的分类预测
    通过结果我们可以发现,其在三分类的结果的预测准确度上有所下降,其在测试集上的准确度为:86.67%,这是由于’versicolor’(1)和 ‘virginica’(2)这两个类别的特征,我们从可视化的时候也可以发现,其特征的边界具有一定的模糊性(边界类别混杂,没有明显区分边界),所有在这两类的预测上出现了一定的错误。

4 重要知识点

逻辑回归 原理简介:

Logistic回归虽然名字里带“回归”,但是它实际上是一种分类方法,主要用于两分类问题(即输出只有两种,分别代表两个类别),所以利用了Logistic函数(或称为Sigmoid函数),函数形式为:
l o g i ( z ) = 1 1 + e − z logi(z)=\frac{1}{1+e^{-z}} logi(z)=1+e−z1​

其对应的函数图像可以表示如下:

import numpy as np
import matplotlib.pyplot as plt
x = np.arange(-5,5,0.01)
y = 1/(1+np.exp(-x))

plt.plot(x,y)
plt.xlabel('z')
plt.ylabel('y')
plt.grid()
plt.show()

机器学习算法(一): 基于逻辑回归的分类预测
通过上图我们可以发现 Logistic 函数是单调递增函数,并且在z=0的时候取值为0.5,并且 l o g i ( ⋅ ) logi(\cdot) logi(⋅)函数的取值范围为 ( 0 , 1 ) (0,1) (0,1)。

而回归的基本方程为 z = w 0 + ∑ i N w i x i z=w_0+\sum_i^N w_ix_i z=w0​+∑iN​wi​xi​,

将回归方程写入其中为:
p = p ( y = 1 ∣ x , θ ) = h θ ( x , θ ) = 1 1 + e − ( w 0 + ∑ i N w i x i ) p = p(y=1|x,\theta) = h_\theta(x,\theta)=\frac{1}{1+e^{-(w_0+\sum_i^N w_ix_i)}} p=p(y=1∣x,θ)=hθ​(x,θ)=1+e−(w0​+∑iN​wi​xi​)1​

所以, p ( y = 1 ∣ x , θ ) = h θ ( x , θ ) p(y=1|x,\theta) = h_\theta(x,\theta) p(y=1∣x,θ)=hθ​(x,θ), p ( y = 0 ∣ x , θ ) = 1 − h θ ( x , θ ) p(y=0|x,\theta) = 1-h_\theta(x,\theta) p(y=0∣x,θ)=1−hθ​(x,θ)

逻辑回归从其原理上来说,逻辑回归其实是实现了一个决策边界:对于函数 y = 1 1 + e − z y=\frac{1}{1+e^{-z}} y=1+e−z1​,当 z = > 0 z=>0 z=>0时, y = > 0.5 y=>0.5 y=>0.5,分类为1,当 z < 0 z<0 z<0时, y < 0.5 y<0.5 y<0.5,分类为0,其对应的 y y y值我们可以视为类别1的概率预测值.

对于模型的训练而言:实质上来说就是利用数据求解出对应的模型的特定的 w w w。从而得到一个针对于当前数据的特征逻辑回归模型。

而对于多分类而言,将多个二分类的逻辑回归组合,即可实现多分类。

算法部分参考公众号机器学习实验室的算法数学推导

上一篇:Iris-go 集成swagger


下一篇:机器学习基础—集成学习Task5(分类模型)