手写实现二元逻辑回归,并求出准确率

时间: 2023-07-11 19:47:02 浏览: 56
好的,我可以帮你手写实现二元逻辑回归。 首先,我们需要定义我们的模型,它是一个基于 sigmoid 函数的二元分类器。sigmoid 函数的公式为: $$ f(z) = \frac{1}{1 + e^{-z}} $$ 其中 $z = wx + b$,$w$ 是权重向量,$b$ 是偏置项。 我们的模型可以表示为: $$ \hat{y} = f(wx + b) $$ 其中 $\hat{y}$ 是预测值,$f$ 是 sigmoid 函数。 接下来,我们需要定义损失函数。我们使用交叉熵损失函数,它的公式为: $$ J(w,b) = -\frac{1}{m}\sum_{i=1}^{m}(y^{(i)}\log(\hat{y}^{(i)}) + (1 - y^{(i)})\log(1 - \hat{y}^{(i)})) $$ 其中 $m$ 是样本数量,$y^{(i)}$ 是第 $i$ 个样本的真实标签,$\hat{y}^{(i)}$ 是其预测值。我们的目标是最小化交叉熵损失函数。 接下来,我们可以使用梯度下降法来最小化损失函数。梯度下降法的公式为: $$ w := w - \alpha \frac{\partial J(w,b)}{\partial w} $$ $$ b := b - \alpha \frac{\partial J(w,b)}{\partial b} $$ 其中 $\alpha$ 是学习率,是一个超参数。 最后,我们需要实现一个函数来预测新数据的标签。我们的二元分类器的预测规则是:如果 $\hat{y} \ge 0.5$,则预测为 1,否则预测为 0。 下面是一个 Python 实现的例子: ```python import numpy as np class LogisticRegression: def __init__(self, lr=0.01, num_iter=100000, fit_intercept=True, verbose=False): self.lr = lr self.num_iter = num_iter self.fit_intercept = fit_intercept self.verbose = verbose def __add_intercept(self, X): intercept = np.ones((X.shape[0], 1)) return np.concatenate((intercept, X), axis=1) def __sigmoid(self, z): return 1 / (1 + np.exp(-z)) def __loss(self, h, y): return (-y * np.log(h) - (1 - y) * np.log(1 - h)).mean() def fit(self, X, y): if self.fit_intercept: X = self.__add_intercept(X) self.theta = np.zeros(X.shape[1]) for i in range(self.num_iter): z = np.dot(X, self.theta) h = self.__sigmoid(z) gradient = np.dot(X.T, (h - y)) / y.size self.theta -= self.lr * gradient if self.verbose and i % 10000 == 0: z = np.dot(X, self.theta) h = self.__sigmoid(z) print(f'Loss: {self.__loss(h, y)}') def predict_prob(self, X): if self.fit_intercept: X = self.__add_intercept(X) return self.__sigmoid(np.dot(X, self.theta)) def predict(self, X, threshold=0.5): return self.predict_prob(X) >= threshold ``` 使用该类,我们可以对数据进行训练和预测。这里给出一个简单的例子: ```python from sklearn.datasets import make_classification from sklearn.model_selection import train_test_split # 生成样本数据 X, y = make_classification(n_samples=1000, n_features=10, n_classes=2, random_state=42) # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 训练模型 model = LogisticRegression(lr=0.1, num_iter=300000) model.fit(X_train, y_train) # 预测测试集标签 y_pred = model.predict(X_test) # 计算准确率 accuracy = (y_pred == y_test).mean() print(f'Accuracy: {accuracy}') ``` 在这个例子中,我们使用 `make_classification` 函数生成了一个有 1000 个样本和 10 个特征的数据集。我们将它划分为训练集和测试集,然后使用 `LogisticRegression` 类训练了一个模型。最后,我们计算了模型在测试集上的准确率。

相关推荐

最新推荐

recommend-type

Python利用逻辑回归模型解决MNIST手写数字识别问题详解

主要介绍了Python利用逻辑回归模型解决MNIST手写数字识别问题,结合实例形式详细分析了Python MNIST手写识别问题原理及逻辑回归模型解决MNIST手写识别问题相关操作技巧,需要的朋友可以参考下
recommend-type

Python(TensorFlow框架)实现手写数字识别系统的方法

主要介绍了Python(TensorFlow框架)实现手写数字识别系统的方法。小编觉得挺不错的,现在分享给大家,也给大家做个参考。一起跟随小编过来看看吧
recommend-type

vue使用canvas实现移动端手写签名

主要为大家详细介绍了基于vue使用canvas实现移动端手写签名,文中示例代码介绍的非常详细,具有一定的参考价值,感兴趣的小伙伴们可以参考一下
recommend-type

python实现基于SVM手写数字识别功能

主要为大家详细介绍了python实现基于SVM手写数字识别功能,具有一定的参考价值,感兴趣的小伙伴们可以参考一下
recommend-type

手写数字识别(python底层实现)报告.docx

(1)认识MNIST数据集的数据格式,对MNIST数据集进行划分作为多层感知机的训练和测试数据;...(3) 通过调整参数提高多层感知机网络的准确度,并对实验结果进行评估; (4)程序的语句要求有注释,以增强程序可读性。
recommend-type

zigbee-cluster-library-specification

最新的zigbee-cluster-library-specification说明文档。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

【实战演练】MATLAB用遗传算法改进粒子群GA-PSO算法

![MATLAB智能算法合集](https://static.fuxi.netease.com/fuxi-official/web/20221101/83f465753fd49c41536a5640367d4340.jpg) # 2.1 遗传算法的原理和实现 遗传算法(GA)是一种受生物进化过程启发的优化算法。它通过模拟自然选择和遗传机制来搜索最优解。 **2.1.1 遗传算法的编码和解码** 编码是将问题空间中的解表示为二进制字符串或其他数据结构的过程。解码是将编码的解转换为问题空间中的实际解的过程。常见的编码方法包括二进制编码、实数编码和树形编码。 **2.1.2 遗传算法的交叉和
recommend-type

openstack的20种接口有哪些

以下是OpenStack的20种API接口: 1. Identity (Keystone) API 2. Compute (Nova) API 3. Networking (Neutron) API 4. Block Storage (Cinder) API 5. Object Storage (Swift) API 6. Image (Glance) API 7. Telemetry (Ceilometer) API 8. Orchestration (Heat) API 9. Database (Trove) API 10. Bare Metal (Ironic) API 11. DNS
recommend-type

JSBSim Reference Manual

JSBSim参考手册,其中包含JSBSim简介,JSBSim配置文件xml的编写语法,编程手册以及一些应用实例等。其中有部分内容还没有写完,估计有生之年很难看到完整版了,但是内容还是很有参考价值的。