标签:
本练习以<机器学习实战>为基础, 重现书中代码, 以达到熟悉算法应用为目的
1.梯度上升算法
新建一个logRegres.py文件, 在文件中添加如下代码:
from numpy import * #加载模块 numpy def loadDataSet(): dataMat = []; labelMat = [] #加路径的话要写作:open(‘D:\\testSet.txt‘,‘r‘) 缺省为只读 fr = open(‘testSet.txt‘) #readlines()函数一次读取整个文件,并自动将文本分拆成一个行的列表, #该列表支持python使用for...in...的结构进行处理 (一次只处理一行) for line in fr.readlines(): #strip()函数 删除字符串中的首尾空格或制表符等 #split()函数 按照符号(制表符)进行分割 lineArr = line.strip().split() #每一行加入第零维 x0 = 1 dataMat.append([1.0, float(lineArr[0]), float(lineArr[1])]) labelMat.append(int(lineArr[2])) return dataMat, labelMat def sigmoid(inX): #定义sigmoid函数 return 1.0/(1 + exp(-inX)) def gradAscent(dataMatIn, classLabels): dataMatrix = mat(dataMatIn) #转换为numpy内置的矩阵格式 labelMat = mat(classLabels).transpose() #transpose()是转置的作用 m,n = shape(dataMatrix) #获取矩阵的维数 alpha = 0.001 #设定步长 maxCycles = 500 #设定循环次数 weights = ones((n,1)) #初始化权值 for k in range(maxCycles): #heavy on matrix operations h = sigmoid(dataMatrix*weights) #logistic regression的hypothesis error = (labelMat - h) weights = weights + alpha * dataMatrix.transpose()* error #更新权值 return weights
在终端中输入下面的命令:
>>> import logRegres >>> dataArr,labelMat = logRegres.loadDataSet() >>> weights = logRegres.gradAscent(dataArr, labelMat) #原书中漏掉了weights =
会得到下面的结果, 这个是迭代500次后的结果:
matrix([[4.12414349],
[0.48007329],
[-0.6168482]])
得到权重后,就可以把图画下来直观的感受下效果了:
在文本中添加如下的代码:
def plotBestFit(weights): import matplotlib.pyplot as plt #把pyplot重命名为plt, 方便以后使用 dataMat,labelMat=loadDataSet() dataArr = array(dataMat) n = shape(dataArr)[0] xcord1 = []; ycord1 = [] xcord2 = []; ycord2 = [] for i in range(n): if int(labelMat[i])== 1: #标签是1的数据 xcord1.append(dataArr[i,1]); ycord1.append(dataArr[i,2]) #第一维和第二维分别放入xcorde1和ycorde1这两个list中 else: #标签是0的数据 xcord2.append(dataArr[i,1]); ycord2.append(dataArr[i,2]) #第一维和第二维分别放入xcorde2和ycorde2这两个list中 fig = plt.figure() ax = fig.add_subplot(111) ax.scatter(xcord1, ycord1, s=30, c=‘red‘, marker=‘s‘) #标签为1的数据标为红色 ax.scatter(xcord2, ycord2, s=30, c=‘green‘) #标签为0的数据标为绿色 x = arange(-3.0, 3.0, 0.1) #其实这里的x = x1, y = x2; 而x0 = 1 y = (-weights[0]-weights[1]*x)/weights[2] # 0 = weight[0]*x0 + weight[1]*x1 + weight[2]*x2 把分离超平面在二维画出来 ax.plot(x, y) plt.xlabel(‘X1‘); plt.ylabel(‘X2‘); plt.show()
生成如下图示的图片:
2. 随机梯度上升
梯度上升算法在每次更新回归系数时需要遍历这个数据集, 倘若数据集规模较大时, 时间空间的复杂度就难以承受了, 一种新的办法是每次只用一个样本点更新回归系数, 这种方法称为随机梯度上升.
在原文本中插入一下代码:
def stocGradAscent0(dataMatrix, classLabels): m,n = shape(dataMatrix) alpha = 0.01 #设定步进值为0.1 weights = ones(n) #初始化权值 for i in range(m): #每次只选取一个点进行权值的更新运算可节省不少时间 h = sigmoid(sum(dataMatrix[i]*weights)) error = classLabels[i] - h weights = weights + alpha * error * dataMatrix[i] return weights
在python命令行窗口输入下述命令:
>>> reload(logRegres) >>> dataArr,labelMat=logRegres.loadDataSet() >>> weights=logRegres.stocGradAscent0(array(dataArr),labelMat) >>> logRegres.plotBestFit(weights)
得到如下的图形:
效果不太好, 因为训练的次数比较少, 只一轮, 下面修改代码, 并改进其它的一些问题:
def stocGradAscent1(dataMatrix, classLabels, numIter=150): #可自己设定更新的轮数,默认为150 m,n = shape(dataMatrix) weights = ones(n) #初始化权值 for j in range(numIter): #第j轮 dataIndex = range(m) for i in range(m): #第j轮中的第i个数据 alpha = 4/(1.0+j+i)+0.0001 #alpha会随着更新的次数增加而越来越小 randIndex = int(random.uniform(0,len(dataIndex)))#每次的i循环的randIndex的值都不同 h = sigmoid(sum(dataMatrix[randIndex]*weights)) error = classLabels[randIndex] - h weights = weights + alpha * error * dataMatrix[randIndex] del(dataIndex[randIndex]) return weights
一个重要的改进是alpha 的值不再是一个固定的值, 而是会随着更新的次数增加而越来越小, 但0.0001是它的下限.
还有一个改进是 每轮的更新不会按照既有的顺序, 这样可以避免权值周期性的波动.
下面是150轮后的图形:
可以看到, 随机梯度上升算法比梯度上升算法收敛的更快.
3. 一个实际的例子: 预测病马是否能够存活
这里每个病马有21个特征:
def classifyVector(inX, weights): #预测函数 prob = sigmoid(sum(inX*weights)) if prob > 0.5: return 1.0 else: return 0.0 def colicTest(): frTrain = open(‘horseColicTraining.txt‘); frTest = open(‘horseColicTest.txt‘) trainingSet = []; trainingLabels = [] for line in frTrain.readlines(): #训练集有299行 currLine = line.strip().split(‘\t‘) #每一行的currLine有22个元素 lineArr =[] for i in range(21): #把currLine的前21个元素放入一个list中去 lineArr.append(float(currLine[i])) trainingSet.append(lineArr) # 再把这个list放入一个更大的list中去 trainingLabels.append(float(currLine[21])) #数据集的最后一列是标签列 trainWeights = stocGradAscent1(array(trainingSet), trainingLabels, 1000) #训练1000轮 errorCount = 0; numTestVec = 0.0 for line in frTest.readlines(): #测试集有67个数据 numTestVec += 1.0 #从0开始, 每测试一个,数目加1 currLine = line.strip().split(‘\t‘) lineArr =[] for i in range(21): lineArr.append(float(currLine[i])) #生成每个测试数据的list if int(classifyVector(array(lineArr), trainWeights))!= int(currLine[21]): #如果预测值与真实值不等 errorCount += 1 #则错误加1 errorRate = (float(errorCount)/numTestVec) print "the error rate of this test is: %f" % errorRate return errorRate def multiTest(): numTests = 10; errorSum=0.0 for k in range(numTests): #测试10次, 求平均 errorSum += colicTest() print "after %d iterations the average error rate is: %f" % (numTests, errorSum/float(numTests))
运行结果如下:
>>> logRegres.multiTest()
logRegres.py:19: RuntimeWarning: overflow encountered in exp
return 1.0/(1+exp(-inX))
the error rate of this test is: 0.328358
the error rate of this test is: 0.268657
the error rate of this test is: 0.313433
the error rate of this test is: 0.388060
the error rate of this test is: 0.268657
the error rate of this test is: 0.358209
the error rate of this test is: 0.343284
the error rate of this test is: 0.268657
the error rate of this test is: 0.432836
the error rate of this test is: 0.313433
after 10 iterations the average error rate is: 0.328358
标签:
原文地址:http://www.cnblogs.com/bigpo/p/4528323.html