Python实现逻辑回归：原理推导与梯度上升算法详解
本文详细解析逻辑回归的核心原理，通过最大似然概率构建方程并利用牛顿梯度上升求解参数。文章结合Python代码，逐步演示如何读取数据、定义Sigmoid函数及实现梯度上升算法，最后通过可视化结果展示分类效果，帮助读者深入理解二分类问题的数学推导与工程实现。
逻辑回归核心原理与优缺点
逻辑回归分类器的核心思想是利用最大似然概率方法构建数学方程，并通过最大化该方程，使用牛顿梯度上升法来求解方程中的参数。
- 该算法的优势在于计算成本较低，且概念直观，易于理解和实现。
- 其局限性在于容易产生欠拟合现象，导致分类精度可能不够理想。
- 逻辑回归适用于处理数值型和标称型数据。
最大似然概率直观理解
在深入介绍逻辑回归之前，我们先探讨一个直观问题：假设有一个黑箱，内部装有白球和黑球，如何判断这两种球的比例？
如果我们从箱中随机抓取3个球，观察到2个黑球和1个白球，有人可能会直接推断黑球占比67%，白球占比33%。这实际上运用了最大似然概率的思想：通俗来说，当黑球真实占比为67%时，抽取3个球出现2黑1白组合的概率是最大的。
假设黑球的占比为P，白球占比为1-P。我们的目标是求解 MAX(P^2(1-P))。显然，当P=67%时方程取得最大值（求解方法是对该方程求导，令导数为0，此时的P值即为最优解）。
逻辑回归的数学推导
回顾逻辑回归，它主要解决二分类问题，这与上述黑球白球问题在逻辑上高度相似。逻辑回归同样基于最大似然概率来进行参数求解。
假设我们有n个独立的训练样本{(x1, y1), (x2, y2), …, (xn, yn)}，其中y的取值集合为{0, 1}。那么，每一个观察到的样本(xi, yi)出现的概率可以表示为特定的数学形式。
上述公式的构造逻辑在于：当y=1时，公式中涉及(1-y)的项消失，仅保留x属于1类的概率；当y=0时，涉及y的项消失，仅保留x属于0类的概率（即1减去x属于1类的概率）。因此，无论y取0还是1，该公式计算出的都是样本(x, y)出现的联合概率。对于包含n个独立样本的整个数据集，其似然函数L(θ)等于所有样本出现概率的乘积。
为了便于计算，我们对L(θ)进行变换：取自然对数并化简（无需畏惧复杂的公式，只需耐心推导即可理解）。注：公式中的xi表示第i个样本，后续推导中未做额外区分。化简后得到的对数似然函数形式如下。
其中，从第三步到第四步的推导使用了特定的替换关系。
为了求得最大值，我们需要对L(θ)关于参数θ求导，得到的导数表达式为特定形式。
接着，我们令该导数为0，理论上可以求出最优解。然而，该方程无法通过解析方法直接求解（此处省略证明过程）。因此，问题转化为寻找一组参数使方程L最大化，求解这些参数的方法采用梯度上升法（其原理可参考详细代码中的计算方式，结合代码理解更为直观）。
根据参数转换公式：
我们将参数和特征代入，计算P，即样本属于类别1的概率。
上述公式即为常见的Sigmoid函数，也常被称为激活函数，最终用于分类决策（若P(y=1|x;Θ)大于0.5，则判定该样本为类别1）。
Python代码实现与结果分析
以下是详细的逻辑回归Python代码实现。代码逻辑相对简单，重点在于理解前文所述的算法思想。个人建议读者结合代码逐步跟踪计算过程，并与前文的公式推导进行对比，这样有助于加深理解并巩固记忆。
from numpy import *
filename='...\\testSet.txt' #文件目录
def loadDataSet(): #读取数据（这里只有两个特征）
dataMat = []
labelMat = []
fr = open(filename)
for line in fr.readlines():
lineArr = line.strip().split()
dataMat.append([1.0, float(lineArr[0]), float(lineArr[1])]) #前面的1，表示方程的常量。比如两个特征X1,X2，共需要三个参数，W1+W2*X1+W3*X2
labelMat.append(int(lineArr[2]))
return dataMat,labelMat
def sigmoid(inX): #sigmoid函数
return 1.0/(1+exp(-inX))
def gradAscent(dataMat, labelMat): #梯度上升求最优参数
dataMatrix=mat(dataMat) #将读取的数据转换为矩阵
classLabels=mat(labelMat).transpose() #将读取的数据转换为矩阵
m,n = shape(dataMatrix)
alpha = 0.001 #设置梯度的阀值，该值越大梯度上升幅度越大
maxCycles = 500 #设置迭代的次数，一般看实际数据进行设定，有些可能200次就够了
weights = ones((n,1)) #设置初始的参数，并都赋默认值为1。注意这里权重以矩阵形式表示三个参数。
for k in range(maxCycles):
h = sigmoid(dataMatrix*weights)
error = (classLabels - h) #求导后差值
weights = weights + alpha * dataMatrix.transpose()* error #迭代更新权重
return weights
def stocGradAscent0(dataMat, labelMat): #随机梯度上升，当数据量比较大时，每次迭代都选择全量数据进行计算，计算量会非常大。所以采用每次迭代中一次只选择其中的一行数据进行更新权重。
dataMatrix=mat(dataMat)
classLabels=labelMat
m,n=shape(dataMatrix)
alpha=0.01
maxCycles = 500
weights=ones((n,1))
for k in range(maxCycles):
for i in range(m): #遍历计算每一行
h = sigmoid(sum(dataMatrix[i] * weights))
error = classLabels[i] - h
weights = weights + alpha * error * dataMatrix[i].transpose()
return weights
def stocGradAscent1(dataMat, labelMat): #改进版随机梯度上升，在每次迭代中随机选择样本来更新权重，并且随迭代次数增加，权重变化越小。
dataMatrix=mat(dataMat)
classLabels=labelMat
m,n=shape(dataMatrix)
weights=ones((n,1))
maxCycles=500
for j in range(maxCycles): #迭代
dataIndex=[i for i in range(m)]
for i in range(m): #随机遍历每一行
alpha=4/(1+j+i)+0.0001 #随迭代次数增加，权重变化越小。
randIndex=int(random.uniform(0,len(dataIndex))) #随机抽样
h=sigmoid(sum(dataMatrix[randIndex]*weights))
error=classLabels[randIndex]-h
weights=weights+alpha*error*dataMatrix[randIndex].transpose()
del(dataIndex[randIndex]) #去除已经抽取的样本
return weights
def plotBestFit(weights): #画出最终分类的图
import matplotlib.pyplot as plt
dataMat,labelMat=loadDataSet()
dataArr = array(dataMat)
n = shape(dataArr)[0]
xcord1 = []; ycord1 = []
xcord2 = []; ycord2 = []
for i in range(n):
if int(labelMat[i])== 1:
xcord1.append(dataArr[i,1])
ycord1.append(dataArr[i,2])
else:
xcord2.append(dataArr[i,1])
ycord2.append(dataArr[i,2])
fig = plt.figure()
ax = fig.add_subplot(111)
ax.scatter(xcord1, ycord1, s=30, c='red', marker='s')
ax.scatter(xcord2, ycord2, s=30, c='green')
x = arange(-3.0, 3.0, 0.1)
y = (-weights[0]-weights[1]*x)/weights[2]
ax.plot(x, y)
plt.xlabel('X1')
plt.ylabel('X2')
plt.show()
def main():
dataMat, labelMat = loadDataSet()
weights=gradAscent(dataMat, labelMat).getA()
plotBestFit(weights)
if __name__=='__main__':
main()运行上述代码后，得到的结果展示如下。
此外，读者还可以尝试使用随机梯度上升法或改进的随机梯度上升算法，这些变体算法通常也能取得不错的效果。
以下是代码所使用的基础数据，您可以直接复制并保存为本地text文件，然后运行前面的代码进行实验。
-0.017612 14.053064 0
-1.395634 4.662541 1
-0.752157 6.538620 0
-1.322371 7.152853 0
0.423363 11.054677 0
0.406704 7.067335 1
0.667394 12.741452 0
-2.460150 6.866805 1
0.569411 9.548755 0
-0.026632 10.427743 0
0.850433 6.920334 1
1.347183 13.175500 0
1.176813 3.167020 1
-1.781871 9.097953 0
-0.566606 5.749003 1
0.931635 1.589505 1
-0.024205 6.151823 1
-0.036453 2.690988 1
-0.196949 0.444165 1
1.014459 5.754399 1
1.985298 3.230619 1
-1.693453 -0.557540 1
-0.576525 11.778922 0
-0.346811 -1.678730 1
-2.124484 2.672471 1
1.217916 9.597015 0
-0.733928 9.098687 0
-3.642001 -1.618087 1
0.315985 3.523953 1
1.416614 9.619232 0
-0.386323 3.989286 1
0.556921 8.294984 1
1.224863 11.587360 0
-1.347803 -2.406051 1
1.196604 4.951851 1
0.275221 9.543647 0
0.470575 9.332488 0
-1.889567 9.542662 0
-1.527893 12.150579 0
-1.185247 11.309318 0
-0.445678 3.297303 1
1.042222 6.105155 1
-0.618787 10.320986 0
1.152083 0.548467 1
0.828534 2.676045 1
-1.237728 10.549033 0
-0.683565 -2.166125 1
0.229456 5.921938 1
-0.959885 11.555336 0
0.492911 10.993324 0
0.184992 8.721488 0
-0.355715 10.325976 0
-0.397822 8.058397 0
0.824839 13.730343 0
1.507278 5.027866 1
0.099671 6.835839 1
-0.344008 10.717485 0
1.785928 7.718645 1
-0.918801 11.560217 0
-0.364009 4.747300 1
-0.841722 4.119083 1
0.490426 1.960539 1
-0.007194 9.075792 0
0.356107 12.447863 0
0.342578 12.281162 0
-0.810823 -1.466018 1
2.530777 6.476801 1
1.296683 11.607559 0
0.475487 12.040035 0
-0.783277 11.009725 0
0.074798 11.023650 0
-1.337472 0.468339 1
-0.102781 13.763651 0
-0.147324 2.874846 1
0.518389 9.887035 0
1.015399 7.571882 0
-1.658086 -0.027255 1
1.319944 2.171228 1
2.056216 5.019981 1
-0.851633 4.375691 1
-1.510047 6.061992 0
-1.076637 -3.181888 1
1.821096 10.283990 0
3.010150 8.401766 1
-1.099458 1.688274 1
-0.834872 -1.733869 1
-0.846637 3.849075 1
1.400102 12.628781 0
1.752842 5.468166 1
0.078557 0.059736 1
0.089392 -0.715300 1
1.825662 12.693808 0
0.197445 9.744638 0
0.126117 0.922311 1
-0.679797 1.220530 1
0.677983 2.556666 1
0.761349 10.693862 0
-2.168791 0.143632 1
1.388610 9.341997 0
0.317029 14.739025 0以上就是本文的全部内容，希望对各位的学习有所帮助，也欢迎大家继续支持本站。
免责声明：本文内容仅供参考，不代表本站观点。转载或引用请注明出处。
