Task01-邏輯回歸(Logistic regression)-算法實踐(天池機(jī)器學(xué)習(xí)訓(xùn)練營D2)

本筆記為參加阿里云“天池龍珠計劃 機(jī)器學(xué)習(xí)訓(xùn)練營”所做的學(xué)習(xí)記錄大审,代碼及知識內(nèi)容均來源于訓(xùn)練營,本人稍作擴(kuò)充亏栈。
具體活動內(nèi)容請移步阿里云天池龍珠計劃; 同時感謝公眾號“機(jī)器學(xué)習(xí)煉丹術(shù)”的介紹球及、推廣和組織。

4 算法實戰(zhàn)

4.1 Demo實踐

Step1:庫函數(shù)導(dǎo)入

##  基礎(chǔ)函數(shù)庫
import numpy as np 

## 導(dǎo)入畫圖庫
import matplotlib.pyplot as plt
import seaborn as sns

## 導(dǎo)入邏輯回歸模型函數(shù)
from sklearn.linear_model import LogisticRegression

Step2:模型訓(xùn)練

##Demo演示LogisticRegression分類

## 構(gòu)造數(shù)據(jù)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])

## 調(diào)用邏輯回歸模型
lr_clf = LogisticRegression()

## 用邏輯回歸模型擬合構(gòu)造的數(shù)據(jù)集
lr_clf = lr_clf.fit(x_fearures, y_label) #其擬合方程為 y=w0+w1*x1+w2*x2

Step3:模型參數(shù)查看

## 查看其對應(yīng)模型的w
print('the weight of Logistic Regression:',lr_clf.coef_)
## 查看其對應(yīng)模型的w0
print('the intercept(w0) of Logistic Regression:',lr_clf.intercept_)

#Output: 
# the weight of Logistic Regression: [[0.73455784 0.69539712]]
# the intercept(w0) of Logistic Regression: [-0.13139986]

Step4:數(shù)據(jù)和模型可視化

## 可視化構(gòu)造的數(shù)據(jù)樣本點
plt.figure()
plt.scatter(x_fearures[:,0],x_fearures[:,1], c=y_label, s=50, cmap='viridis')
plt.title('Dataset')
plt.show()
Fig1.png
## 可視化決策邊界
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()
Fig2.png
## 可視化預(yù)測新樣本
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'))

## 訓(xùn)練樣本
plt.scatter(x_fearures[:,0],x_fearures[:,1], c=y_label, s=50, cmap='viridis')
plt.title('Dataset')

# 可視化決策邊界
plt.contour(x_grid, y_grid, z_proba, [0.5], linewidths=2., colors='blue')

plt.show()
Fig3.png

Step5:模型預(yù)測

## 在訓(xùn)練集和測試集上分布利用訓(xùn)練好的模型進(jìn)行預(yù)測
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)

## 由于邏輯回歸模型是概率預(yù)測模型(前文介紹的 p = p(y=1|x,\theta)),所有我們可以利用 predict_proba 函數(shù)預(yù)測其概率
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('Predicted probability of the New point 1 for each class:\n',y_label_new1_predict_proba)
print('Predicted probability of the New point 2 for each class:\n',y_label_new2_predict_proba)

#Output:
#The New point 1 predict class:
# [0]
#The New point 2 predict class:
# [1]
#Predicted probability of the New point 1 for each class:
# [[0.69567724 0.30432276]]
#Predicted probability of the New point 2 for each class:
# [[0.11983936 0.88016064]]:

可以發(fā)現(xiàn)訓(xùn)練好的回歸模型將X_new1預(yù)測為了類別0(判別面左下側(cè))叮贩,X_new2預(yù)測為了類別1(判別面右上側(cè))击狮。其訓(xùn)練得到的邏輯回歸模型的概率為0.5的判別面為上圖中藍(lán)色的線。

所謂決策邊界就是能夠把樣本正確分類的一條邊界益老,主要有線性決策邊界(linear decision boundaries)和非線性決策邊界(non-linear decision boundaries)彪蓬。注意:決策邊界是假設(shè)函數(shù)的屬性,由參數(shù)決定捺萌,而不是由數(shù)據(jù)集的特征決定档冬。

學(xué)習(xí)感悟:
本節(jié)的難點在于決策邊界可視化那段,涉及的基礎(chǔ)知識和高階知識特別多桃纯,查閱了相關(guān)資料酷誓,悶頭學(xué)了一天,還是沒有把握說自己已經(jīng)掌握了态坦。Anyway, 等以后有了知識積累再回頭來學(xué)吧盐数!

參考資料

CSDN論壇博主 Broke_Leaf決策邊界繪制和plt.contourf函數(shù)講解
CSDN論壇博主 新之: 機(jī)器學(xué)習(xí)06-邏輯回歸-分類與決策邊界
知乎用戶 觸摸壹縷陽光 : Python-Numpy模塊Meshgrid函數(shù)

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市伞梯,隨后出現(xiàn)的幾起案子玫氢,更是在濱河造成了極大的恐慌,老刑警劉巖谜诫,帶你破解...
    沈念sama閱讀 222,865評論 6 518
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件琐旁,死亡現(xiàn)場離奇詭異,居然都是意外死亡猜绣,警方通過查閱死者的電腦和手機(jī)灰殴,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 95,296評論 3 399
  • 文/潘曉璐 我一進(jìn)店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來掰邢,“玉大人牺陶,你說我怎么就攤上這事±敝” “怎么了掰伸?”我有些...
    開封第一講書人閱讀 169,631評論 0 364
  • 文/不壞的土叔 我叫張陵,是天一觀的道長怀估。 經(jīng)常有香客問我狮鸭,道長,這世上最難降的妖魔是什么多搀? 我笑而不...
    開封第一講書人閱讀 60,199評論 1 300
  • 正文 為了忘掉前任歧蕉,我火速辦了婚禮,結(jié)果婚禮上康铭,老公的妹妹穿的比我還像新娘惯退。我一直安慰自己,他們只是感情好从藤,可當(dāng)我...
    茶點故事閱讀 69,196評論 6 398
  • 文/花漫 我一把揭開白布催跪。 她就那樣靜靜地躺著锁蠕,像睡著了一般。 火紅的嫁衣襯著肌膚如雪懊蒸。 梳的紋絲不亂的頭發(fā)上荣倾,一...
    開封第一講書人閱讀 52,793評論 1 314
  • 那天,我揣著相機(jī)與錄音骑丸,去河邊找鬼逃呼。 笑死,一個胖子當(dāng)著我的面吹牛者娱,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播苏揣,決...
    沈念sama閱讀 41,221評論 3 423
  • 文/蒼蘭香墨 我猛地睜開眼黄鳍,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了平匈?” 一聲冷哼從身側(cè)響起框沟,我...
    開封第一講書人閱讀 40,174評論 0 277
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎增炭,沒想到半個月后忍燥,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 46,699評論 1 320
  • 正文 獨居荒郊野嶺守林人離奇死亡隙姿,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 38,770評論 3 343
  • 正文 我和宋清朗相戀三年梅垄,在試婚紗的時候發(fā)現(xiàn)自己被綠了。 大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片输玷。...
    茶點故事閱讀 40,918評論 1 353
  • 序言:一個原本活蹦亂跳的男人離奇死亡队丝,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出欲鹏,到底是詐尸還是另有隱情机久,我是刑警寧澤,帶...
    沈念sama閱讀 36,573評論 5 351
  • 正文 年R本政府宣布赔嚎,位于F島的核電站膘盖,受9級特大地震影響,放射性物質(zhì)發(fā)生泄漏尤误。R本人自食惡果不足惜侠畔,卻給世界環(huán)境...
    茶點故事閱讀 42,255評論 3 336
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望损晤。 院中可真熱鬧践图,春花似錦、人聲如沸沉馆。這莊子的主人今日做“春日...
    開封第一講書人閱讀 32,749評論 0 25
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至揖盘,卻和暖如春眉厨,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背兽狭。 一陣腳步聲響...
    開封第一講書人閱讀 33,862評論 1 274
  • 我被黑心中介騙來泰國打工憾股, 沒想到剛下飛機(jī)就差點兒被人妖公主榨干…… 1. 我叫王不留,地道東北人箕慧。 一個月前我還...
    沈念sama閱讀 49,364評論 3 379
  • 正文 我出身青樓服球,卻偏偏與公主長得像,于是被迫代替她去往敵國和親颠焦。 傳聞我的和親對象是個殘疾皇子斩熊,可洞房花燭夜當(dāng)晚...
    茶點故事閱讀 45,926評論 2 361

推薦閱讀更多精彩內(nèi)容