标签：相关 border blog ase 错误 machine data- sof .com
本文主要介绍logistic回归相关知识点和一个手写识别的例子实现
一、logistic回归介绍：
logistic回归算法很简单，这里简单介绍一下：
1、和线性回归做一个简单的对比
下图就是一个简单的线性回归实例，简单一点就是一个线性方程表示
(就是用来描述自变量和因变量已经偏差的方程)
2、logistic回归
可以看到下图，很难找到一条线性方程能将他们很好的分开。这里也需要用到logistic回归来处理了。
logistic回归本质上是线性回归，只是在特征到结果的映射中加入了一层函数映射，即先把特征线性求和，然后使用函数g(z)将最为假设函数来预测。g(z)可以将连续值映射到0和1上。
logistic回归的假设函数如下，线性回归假设函数只是
。
logistic回归用来分类0/1问题，也就是预测结果属于0或者1的二值分类问题。这里假设了二值满足伯努利分布，也就是
其实这里求的是最大似然估计，然后求导，最后得到迭代公式结果为
可以看到与线性回归类似。
3、logistic回归原理介绍
（1）找一个合适的预测函数，一般表示为h函数，该函数就是我们需要找的分类函数，它用来预测输入数据的判断结果。
（2）构造一个Cost函数（损失函数），该函数表示预测的输出（h）与训练数据类别（y）之间的偏差，可以是二者之间的差（h-y）或者是其他的形式。综合考虑所有训练数据的“损失”，将Cost求和或者求平均，记为J(θ)函数，表示所有训练数据预测值与实际类别的偏差。
实际上这里的Cost函数和J(θ)函数是基于最大似然估计推导得到的，这里也就不详细讲解了。
（3）我们可以看出J(θ)函数的值越小表示预测函数越准确（即h函数越准确），所以这一步需要做的是找到J(θ)函数的最小值，Logistic Regression实现时有的是梯度下降法（Gradient Descent）。
梯度下降法是按下面的流程进行的：
1）首先对θ赋值，这个值可以是随机的，也可以让θ是一个全零的向量。
2）改变θ的值，使得J(θ)按梯度下降的方向进行减少。
梯度方向由J(θ)对θ的偏导数确定，由于求的是极小值，因此梯度方向是偏导数的反方向。结果为
迭代更新的方式有两种，一种是批梯度下降，也就是对全部的训练数据求得误差后再对θ进行更新，另外一种是增量梯度下降，每扫描一步都要对θ进行更新。前一种方法能够不断收敛，后一种方法结果可能不断在收敛处徘徊。
二、手写识别的例子实现
讲到用logistic算法识别数字0～9，这是个十类别问题，如果要用logistic回归，得做10次logistic回归，第一次将0作为一个类别，1～9作为另外一个类别，这样就可以识别出0或非0。同样地可以将1作为一个类别，0、2～9作为一个类别，这样就可以识别出1或非1........
本文的实例为了简化，我只选出0和1的样本，这是个二分类问题。
输入格式：每个手写数字已经事先处理成32*32的二进制文本，存储为txt文件。
工程文件目录说明：
logistic regression.py实现的功能：从train里面读取训练数据，然后用梯度上升算法训练出参数Θ，接着用参数Θ来预测test里面的测试样本，同时计算错误率。
打开test或者train一个文件看看：
2、简单实现：
（1）将每个图片（即txt文本）转化为一个向量，即32*32的数组转化为1*1024的数组，这个1*1024的数组用机器学习的术语来说就是特征向量。
（2）训练样本中有m个图片，可以合并成一个m*1024的矩阵，每一行对应一个图片。
（3）用梯度下降法计算得到回归系数。
（4）分类，根据参数weigh对测试样本进行预测，同时计算错误率。
代码如下：
当然，digitRecognition(‘train‘,‘test‘,0.01,50) 这里面的0.01 和 50都是可以调整的
最终结果如下：
整个工程文件包括源代码、训练集、测试集，可到点击下载
参考资料：
https://www.coursera.org/course/ml
http://www.cnblogs.com/jerrylead/archive/2011/03/05/1971867.html
http://blog.csdn.net/dongtingzhizi/article/details/15962797
http://openclassroom.stanford.edu/MainFolder/HomePage.php
https://www.coursera.org/course/ml
标签：相关 border blog ase 错误 machine data- sof .com
原文地址：http://www.cnblogs.com/wojiaohunian/p/7301178.html
