Logistic回归和梯度上升 公式推导

一、总结

一句话总结：

还是得多看视频，这样比较快，如果找不到好视频，还是自己推导比较快

 

1、逻辑回归 梯度上升算法迭代更新θ的取值？

$$\theta _ { j } = \theta _ { j } + \alpha \frac { \partial \log L ( \theta ) ) } { \partial \theta _ { j } }$$
$$\frac { \partial \log L ( \theta ) ) } { \partial \theta _ { j } } == \sum _ { i = 1 } ^ { m } ( y _ { i } – h _ { \theta } ( x ^ { ( i ) } ) ) x ^ { ( i ) }$$
所以权重的迭代更新式为：$$\theta _ { j } = \theta _ { j } + \alpha \sum _ { i = 1 } ^ { m } ( y _ { i } – h _ { \theta } ( x ^ { ( i ) } ) ) x ^ { ( i ) }$$

 

2、逻辑回归 批量梯度上升？

批量梯度上升【每进行一次迭代更新】就会【计算所有样本】，因此得到的模型正确率比较高，但同时计算复杂度高，算法耗时。计算过程如下：
1.首先根据权重和训练样本计算估计值；2.计算误差；3.迭代更新

 

 

3、随机梯度上升？

根据样本数量进行迭代，每计算一个样本就进行一次更新，过程如下：（以上步骤更新m次。）
1.计算x^(i)样本对应的估计值：$$h = \left( \begin{array} { l l l } { x _ { 1 } ^ { ( i ) } } & { x _ { 2 } ^ { ( i ) } } & { x _ { 3 } ^ { ( i ) } } \end{array} \right) \left( \begin{array} { l } { \theta _ { 1 } } \\ { \theta _ { 2 } } \\ { \theta _ { 3 } } \end{array} \right)$$
2.计算误差：注意，此处的误差是个数，不再是个向量：$$error= y _ { i } – h ( \text { number } )$$
3.迭代更新：$$w = w + \alpha \left( \begin{array} { c } { x _ { 1 } ^ { ( i ) } } \\ { x _ { 2 } ^ { ( i ) } } \\ { x _ { 3 } ^ { ( i ) } } \end{array} \right)error$$

 

4、随机梯度、批量梯度、改进的随机梯度？

def stocGradAscent(dataMat,labelMat,alpha = 0.01):   #随机梯度上升
    start_time = time.time()                         #记录程序开始时间
    m,n = dataMat.shape
    weights = np.ones((n,1))                         #分配权值为1
    for i in range(m):
        h = sigmoid(np.dot(dataMat[i],weights).astype(\'int64\')) #注意：这里两个二维数组做内积后得到的dtype是object,需要转换成int64
        error = labelMat[i]-h                        #误差
        weights = weights + alpha*dataMat[i].reshape((3,1))*error #更新权重
    duration = time.time()-start_time
    print(\'time:\',duration)
    return weights
def gradAscent(dataMat,labelMat,alpha = 0.01,maxstep = 1000): #批量梯度上升
    start_time = time.time()
    m,n = dataMat.shape
    weights = np.ones((n,1))
    for i in range(maxstep):
        h = sigmoid(np.dot(dataMat,weights).astype(\'int64\'))  #这里直接进行矩阵运算
        labelMat = labelMat.reshape((100,1))                  #label本为一维,转成2维
        error = labelMat-h                                    #批量计算误差
        weights = weights + alpha*np.dot(dataMat.T,error)     #更新权重
    duration = time.time()-start_time
    print(\'time:\',duration)
    return weights
def betterStoGradAscent(dataMat,labelMat,alpha = 0.01,maxstep = 150):
    start_time = time.time()
    m,n = dataMat.shape
    weights = np.ones((n,1))
    for j in range(maxstep):
        for i in range(m):
            alpha = 4/(1+i+j) + 0.01                         #设置更新率随迭代而减小
            h = sigmoid(np.dot(dataMat[i],weights).astype(\'int64\'))
            error = labelMat[i]-h
            weights = weights + alpha*dataMat[i].reshape((3,1))*error
    duration = time.time()-start_time
    print(\'time:\',duration)
    return weights

 

 

 

二、Logistic回归及梯度上升算法

转自或参考：Logistic回归及梯度上升算法
https://blog.csdn.net/u011197534/article/details/53492915

 

版权声明：本文为Renyi-Fan原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://www.cnblogs.com/Renyi-Fan/p/14111879.html