逻辑回归
适用类型：解决二分类问题
逻辑回归的出现：线性回归可以预测连续值，但是不能解决分类问题，我们需要根据预测的结果判定其属于正类还是负类。所以逻辑回归就是将线性回归的结果，通过Sigmoid函数映射到（0，1）之间
线性回归的决策函数：数据与θ的乘法，数据的矩阵格式(样本数×列数)，θ的矩阵格式(列数×1)
将其通过Sigmoid函数，获得逻辑回归的决策函数
使用Sigmoid函数的原因：
可以对(-∞, +∞)的结果，映射到(0, 1)之间作为概率
可以将1/2作为决策边界
数学特性好，求导容易
逻辑回归的损失函数
线性回归的损失函数维平方损失函数，如果将其用于逻辑回归的损失函数，则其数学特性不好，有很多局部极小值，难以用梯度下降法求解最优
这里使用对数损失函数
解释：如果一个样本为正样本，那么我们希望将其预测为正样本的概率p越大越好，也就是决策函数的值越大越好，则logp越大越好，逻辑回归的决策函数值就是样本为正的概率；如果一个样本为负样本，那么我们希望将其预测为负样本的概率越大越好，也就是（1-p）越大越好，即log(1-p)越大越好
为什么使用对数函数：样本集中有很多样本，要求其概率连乘，概率为0-1之间的数，连乘越来越小，利用log变换将其变为连加，不会溢出，不会超出计算精度
损失函数:： y(1->m)表示Sigmoid值(样本数×1)，hθx(1->m)表示决策函数值(样本数×1)，所以中括号的值(1×1)
二分类逻辑回归直线编码实现
import numpy as np
from matplotlib import pyplot as plt
"font.sans-serif"] = ["SimHei"]
# 包含数据和标签的数据集
self.data = np.loadtxt("./data2.txt", delimiter=",")
self.data_mat = self.data[:, 0:2]
self.label_mat = self.data[:, 2]
self.thetas = np.zeros((self.data_mat.shape[1]))
"""
损失函数具体实现
:param theta: 逻辑回归系数
:param data_mat: 带有截距项的数据集
:param label_mat: 标签数据集
:param reg:
:return:
"""
m = self.label_mat.size
label_mat = self.label_mat.reshape(-1, 1)
h = self.sigmoid(self.p_data_mat.dot(theta))
"""
逻辑回归梯度下降收敛函数
:param alpha: 学习率
:param reg:
:param iterations: 最大迭代次数
:return: 逻辑回归系数组
"""
m, n = self.p_data_mat.shape
theta = np.zeros((n, 1))
theta_set = []
"negative", pos_text="positive", thetas=None):
neg = self.label_mat == 0
pos = self.label_mat == 1
fig1 = plt.figure(figsize=(12, 8))
ax1 = fig1.add_subplot(111)
ax1.scatter(self.p_data_mat[neg][:, 1], self.p_data_mat[neg][:, 2], marker="o", s=100, label=neg_text)
ax1.scatter(self.p_data_mat[pos][:, 1], self.p_data_mat[pos][:, 2], marker="+", s=100, label=pos_text)
ax1.set_xlabel(x_label, fontsize=14)
"线性不可分数据集")
"$\\lambda$ = {}".format(0))
"$\\lambda$ = {}".format(0))
二分类问题逻辑回归曲线编码实现
import numpy as np
from matplotlib import pyplot as plt
"font.sans-serif"] = ["SimHei"]
# 包含数据和标签的数据集
self.data = np.loadtxt("./data2.txt", delimiter=",")
self.data_mat = self.data[:, 0:2]
self.label_mat = self.data[:, 2]
self.thetas = np.zeros((self.data_mat.shape[1]))
"""
损失函数具体实现
:param theta: 逻辑回归系数
:param data_mat: 带有截距项的数据集
:param label_mat: 标签数据集
:param reg:
:return:
"""
m = self.label_mat.size
label_mat = self.label_mat.reshape(-1, 1)
h = self.sigmoid(self.p_data_mat.dot(theta))
"""
逻辑回归梯度下降收敛函数
:param alpha: 学习率
:param reg:
:param iterations: 最大迭代次数
:return: 逻辑回归系数组
"""
m, n = self.p_data_mat.shape
theta = np.zeros((n, 1))
theta_set = []
"negative", pos_text="positive", thetas=None):
neg = self.label_mat == 0
pos = self.label_mat == 1
fig1 = plt.figure(figsize=(12, 8))
ax1 = fig1.add_subplot(111)
ax1.scatter(self.p_data_mat[neg][:, 1], self.p_data_mat[neg][:, 2], marker="o", s=100, label=neg_text)
ax1.scatter(self.p_data_mat[pos][:, 1], self.p_data_mat[pos][:, 2], marker="+", s=100, label=pos_text)
ax1.set_xlabel(x_label, fontsize=14)
"线性不可分数据集")
"$\\lambda$ = {}".format(0))
"$\\lambda$ = {}".format(0))
以上就是python 实现逻辑回归的详细内容，更多关于python 实现逻辑回归的资料请关注其它相关文章！
python,逻辑回归
免责声明：本站文章均来自网站采集或用户投稿，网站不提供任何软件下载或自行开发的软件！ 如有用户或公司发现本站内容信息存在侵权行为，请邮件告知！ 858582#qq.com
这一波大模型产业落地浪潮里，不少企业其实处在 “干瞪眼“的状态。
一种情况是，很多大模型产品看得见却摸不着，在台上一个个遥遥领先——今天Sora技精四座，明天英伟达的机器人又赢得满堂彩，可是到了台下一问：啥时候能用上啊？答曰：遥遥无期。
另一种情况是，企业想用上大模型，却又难免瞻前顾后——既要考虑场景融合，又得兼顾安全性，还要考虑打通现有系统，再加上各种部署成本和繁琐的采购流程……最后只能拂袖：罢了，再等等吧。
稳了！魔兽国服回归的3条重磅消息！官宣时间再确认！
昨天有一位朋友在大神群里分享，自己亚服账号被封号之后居然弹出了国服的封号信息对话框。
这里面让他访问的是一个国服的战网网址，com.cn和后面的zh都非常明白地表明这就是国服战网。
而他在复制这个网址并且进行登录之后，确实是网易的网址，也就是我们熟悉的停服之后国服发布的暴雪游戏产品运营到期开放退款的说明。这是一件比较奇怪的事情，因为以前都没有出现这样的情况，现在突然提示跳转到国服战网的网址，是不是说明了简体中文客户端已经开始进行更新了呢？