最近在看吳恩達的機器學習課程，自己用python實現了其中的logistic算法，并用梯度下降獲取最優值。

logistic分類是一個二分類問題，而我們的線性回歸函數

的取值在負無窮到正無窮之間，對于分類問題而言，我們希望假設函數的取值在0~1之間，因此logistic函數的假設函數需要改造一下

由上面的公式可以看出，0 < h(x) < 1，這樣，我們可以以1/2為分界線

cost function可以這樣定義

其中，m是樣本的數量，初始時θ可以隨機給定一個初始值，算出一個初始的J(θ)值，再執行梯度下降算法迭代，直到達到最優值，我們知道，迭代的公式主要是每次減少一個偏導量

如果將J(θ)代入化簡之后，我們發現可以得到和線性回歸相同的迭代函數

按照這個迭代函數不斷調整θ的值，直到兩次J(θ)的值差值不超過某個極小的值之后，即認為已經達到最優解，這其實只是一個相對較優的解，并不是真正的最優解。 其中，α是學習速率，學習速率越大，就能越快達到最優解，但是學習速率過大可能會讓懲罰函數最終無法收斂，整個過程python的實現如下

import mathALPHA = 0.3DIFF = 0.00001def predict(theta, data): results = [] for i in range(0, data.__len__()): temp = 0 for j in range(1, theta.__len__()): temp += theta[j] * data[i][j - 1] temp = 1 / (1 + math.e ** (-1 * (temp + theta[0]))) results.append(temp) return resultsdef training(training_data): size = training_data.__len__() dimension = training_data[0].__len__() hxs = [] theta = [] for i in range(0, dimension): theta.append(1) initial = 0 for i in range(0, size): hx = theta[0] for j in range(1, dimension): hx += theta[j] * training_data[i][j] hx = 1 / (1 + math.e ** (-1 * hx)) hxs.append(hx) initial += (-1 * (training_data[i][0] * math.log(hx) + (1 - training_data[i][0]) * math.log(1 - hx))) initial /= size iteration = initial initial = 0 counts = 1 while abs(iteration - initial) > DIFF: print('第', counts, '次迭代, diff=', abs(iteration - initial)) initial = iteration gap = 0 for j in range(0, size): gap += (hxs[j] - training_data[j][0]) theta[0] = theta[0] - ALPHA * gap / size for i in range(1, dimension): gap = 0 for j in range(0, size):gap += (hxs[j] - training_data[j][0]) * training_data[j][i] theta[i] = theta[i] - ALPHA * gap / size for m in range(0, size):hx = theta[0]for j in range(1, dimension): hx += theta[j] * training_data[i][j]hx = 1 / (1 + math.e ** (-1 * hx))hxs[i] = hxiteration += -1 * (training_data[i][0] * math.log(hx) + (1 - training_data[i][0]) * math.log(1 - hx)) iteration /= size counts += 1 print(’training done,theta=’, theta) return thetaif __name__ == ’__main__’: training_data = [[1, 1, 1, 1, 0, 0], [1, 1, 0, 1, 0, 0], [1, 0, 1, 0, 0, 0], [0, 0, 0, 0, 1, 1], [0, 1, 0, 0, 0, 1],[0, 0, 0, 0, 1, 1]] test_data = [[0, 1, 0, 0, 0], [0, 0, 0, 0, 1]] theta = training(training_data) res = predict(theta, test_data) print(res)

運行結果如下

以上這篇python實現logistic分類算法代碼就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持好吧啦網。