Posted in Python onMarch 24, 2020
本文实例为大家分享了python实现梯度下降和逻辑回归的具体代码,供大家参考,具体内容如下
import numpy as np import pandas as pd import os data = pd.read_csv("iris.csv") # 这里的iris数据已做过处理 m, n = data.shape dataMatIn = np.ones((m, n)) dataMatIn[:, :-1] = data.ix[:, :-1] classLabels = data.ix[:, -1] # sigmoid函数和初始化数据 def sigmoid(z): return 1 / (1 + np.exp(-z)) # 随机梯度下降 def Stocgrad_descent(dataMatIn, classLabels): dataMatrix = np.mat(dataMatIn) # 训练集 labelMat = np.mat(classLabels).transpose() # y值 m, n = np.shape(dataMatrix) # m:dataMatrix的行数,n:dataMatrix的列数 weights = np.ones((n, 1)) # 初始化回归系数(n, 1) alpha = 0.001 # 步长 maxCycle = 500 # 最大循环次数 epsilon = 0.001 error = np.zeros((n,1)) for i in range(maxCycle): for j in range(m): h = sigmoid(dataMatrix * weights) # sigmoid 函数 weights = weights + alpha * dataMatrix.transpose() * (labelMat - h) # 梯度 if np.linalg.norm(weights - error) < epsilon: break else: error = weights return weights # 逻辑回归 def pred_result(dataMatIn): dataMatrix = np.mat(dataMatIn) r = Stocgrad_descent(dataMatIn, classLabels) p = sigmoid(dataMatrix * r) # 根据模型预测的概率 # 预测结果二值化 pred = [] for i in range(len(data)): if p[i] > 0.5: pred.append(1) else: pred.append(0) data["pred"] = pred os.remove("data_and_pred.csv") # 删除List_lost_customers数据集 # 第一次运行此代码时此步骤不要 data.to_csv("data_and_pred.csv", index=False, encoding="utf_8_sig") # 数据集保存 pred_result(dataMatIn)
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持三水点靠木。
python实现梯度下降和逻辑回归
- Author -
hllingg声明:登载此文出于传递更多信息之目的,并不意味着赞同其观点或证实其描述。
Reply on: @reply_date@
@reply_contents@