手写实现二元逻辑回归,并求出准确率

时间: 2023-07-11 12:47:02 浏览: 54
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

实现实时数据湖架构:Kafka与Hive集成

![实现实时数据湖架构:Kafka与Hive集成](https://img-blog.csdnimg.cn/img_convert/10eb2e6972b3b6086286fc64c0b3ee41.jpeg) # 1. 实时数据湖架构概述** 实时数据湖是一种现代数据管理架构,它允许企业以低延迟的方式收集、存储和处理大量数据。与传统数据仓库不同,实时数据湖不依赖于预先定义的模式,而是采用灵活的架构,可以处理各种数据类型和格式。这种架构为企业提供了以下优势: - **实时洞察:**实时数据湖允许企业访问最新的数据,从而做出更明智的决策。 - **数据民主化:**实时数据湖使各种利益相关者都可
recommend-type

用matlab绘制高斯色噪声情况下的频率估计CRLB,其中w(n)是零均值高斯色噪声,w(n)=0.8*w(n-1)+e(n),e(n)服从零均值方差为se的高斯分布

以下是用matlab绘制高斯色噪声情况下频率估计CRLB的代码: ```matlab % 参数设置 N = 100; % 信号长度 se = 0.5; % 噪声方差 w = zeros(N,1); % 高斯色噪声 w(1) = randn(1)*sqrt(se); for n = 2:N w(n) = 0.8*w(n-1) + randn(1)*sqrt(se); end % 计算频率估计CRLB fs = 1; % 采样频率 df = 0.01; % 频率分辨率 f = 0:df:fs/2; % 频率范围 M = length(f); CRLB = zeros(M,1); for
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。