一、线性回归简介
线性回归模型是指采用线性组合形式的回归模型,在线性回归问题中,因变量和自变量之间是线性关系的。对于第i个因变量xi,我们乘以权重系数wi,取y为因变量的线性组合:
y=f(x)=wⁱxⁱ+…+w ⁿxⁿ+b
其中b为常数项。若w=(w¹…wⁿ),则上式可以写成向量形式:
y=f(x)=wᵀx+b
二、Logistic回归简介
在上节中,我们假设随机变量x..x与y之间的关系是线性的。但在实际中,我们通常会遇到非线性关系。这个时候,我们可以使用一个非线性变换g(.),使得线性回归模型f(.)实际上对g(y)而非y进行拟合,即:y=g¯1(f(x))
其中(.)仍为:f(x)=wᵀx+b
因此这样的回归模型称为广义线性回归模型。
三、用PyTorch实现Logistic回归
• 逻辑回归实现同样是四个步骤: • 准备数据集 • 设计模型 • 定义损失函数和优化器 • 模型训练代码依赖模块:
import matplotlib.pyplot as plt
import numpy as np
import torch
%matplolib inline
3.1数据准备
为了便于描述,我们分别从两个多元高斯分布N₁(,)、N₂(,)中生成数据x1和x₂,这两个多元高斯分布分别表示两个类别,分别设置其标签为和y₁和y₂。
PyTorch 的 torch.distributions提供了MultivariateNormal 构建多元高斯分布。下面第5~8行代码设置两组不同的均值向量和协方差矩阵,(mul)和(mu2)是二维均值向量,(sigmal)和(sigma2)是2×2的协方差矩阵。在第11~12行,前面定义的均值向量和协方差矩阵作为参数传入MultivariateNormal,就实例化了两个多元高斯分布m和m。第13~14行调用m₁和m₂的sample方法分别生成100个样本。
第17~18行设置样本对应的标签y,分别用0和1表示不同高斯分布的数据,也就是正样归模
本和负样本。第21行使用cat 函数将x₁(ml)和x₂(m2)组合在一起。第22~24行打乱样本和标签的顺序,将数据重新随机排列,这是十分重要的步骤,否则算法的每次迭代只会学习到同一个类别的信息,容易造成模型过拟合。
import matplotlib.pyplot as plt
import numpy as np
import torch
from torch import nn, sigmoid_
from torch.distributions import MultivariateNormal
from torch.nn.modules.module import T
#设置两组不同的均值向量和协方差矩阵
mu1 = -3 * torch.ones(2)
mu2 = 3 * torch.ones(2)
sigma1 = torch.eye(2) * 0.5
sigma2 = torch.eye(2) * 2
#各从两个多元高斯分布中生成100个样本
m1 = MultivariateNormal(mu1,sigma1)
m2 = MultivariateNormal(mu2,sigma2)
x1 = m1.sample((100,))
x2 = m2.sample((100,))
#设置正反样本的标签
y = torch.zeros((200,1))
y[100:] = 1
#组合、打乱样本
x = torch.cat([x1,x2], dim=0)
idx = np.random.permutation(len(x))
x = x[idx]
y = y[idx]
#绘制样本
plt.scatter(x1.numpy()[:,0],x1.numpy()[:,1])
plt.scatter(x2.numpy()[:,0],x2.numpy()[:,1])
运行结果:
3.2线性方程
Logistic 回归用输入变量x的线性函数表示样本为正类的对数概率。nn.Linear实现了
y=xA+b,我们可以直接调用它来实现Logistic回归的线性部分。
D_in,D_out = 2,1
linear = nn.Linear(D_in,D_out,bias=True)
output = linear(x)
print(x.shape,linear.weight.shape,linear.bias.shape,output.shape)
def my_linear(x,w,b):
return torch.mm(x,w.t()) + b
torch.sum((output - my_linear(x,linear.weight,linear.bias)))
上面代码的第1行定义了线性模型的输入维度D_in和输出维度D_out,因为前面定义的多元高斯分布 m₁(m1)和m₂(m2)产生的变量是二维的,所以线性模型的输入维度应该定义为D_in=2;而 Logistic 回归是二分类模型,预测的是变量为正类的概率,所以输出的维度应该为D_in=1。第2~3行实例化了nn.Linear,将线性模型应用到数据x上,得到计算结果output。
Linear 的初始参数是随机设置的,可以调用 Linearweight 和 Linear.bias 获取线性模型的参数。第5行输出了输人变量x、模型参数weight和bias,以及计算结果outout的维度。第7~8行定义了线性模型my_linear。第10行将my_linear的计算结果和PyTorch的计算结果output进行比较,可以发现它们是一致的。
3.3激活函数
前文介绍了nn.Linear 可用于实现线性模型,除此之外,torch.nn还提供了机器学习中常用的激活函数。当Logistic 回归用于二分类问题时,使用sigmoid 函数将线性模型的计算结果映射到0和1之间,得到的计算结果作为样本为正类的置信概率。nn.Sigmoid提供了sigmoid函数的计算,在使用时,将Sigmoid类实例化,再将需要计算的变量作为参数传递给实例化的对象。
sigmoid = nn.Sigmoid()
scores = sigmoid(output)
def my_sigmoid(x):
x = 1 / (1 + torch.exp(-x))
return x
torch.sum(sigmoid(output) - sigmoid_(output))
作为练习,第4~6行手动实现sigmoid函数,第8行通过PyTorch验证我们的实现结果,
其结果一致。
3.4损失函数
Logistic回归使用交叉熵作为损失函数。PyTorch的torch.nn提供了许多标准的损失函数,我们可以直接使用nn.BCELoss计算二值交叉熵损失。第1~2行调用了BCELoss来计算我们实
Logistic 回归模型的输出结果sigmoid(output)和数据的标签y。同样地,在第4~6行我们78+值交叉熵函数,在第8行将my loss和PyTorch的BCELoss进行比较,发现其结果一致。
loss = nn.BCELoss()
loss(sigmoid(output),y)
def my_loss(x,y):
loss = - torch.mean(torch.log(x) * y + torch.log(1 - x) * (1 - y))
return loss
loss(sigmoid(output),y) - my_loss(sigmoid_(output),y)
在前面的代码中,我们使用了torchnn包中的线性模型nn.Linear、激活函数 nn.Softmax损失函数nn.BCELoss,它们都继承自nn,Module类。而在PyTorch中,我们通过继承nn.Module来构建我们自己的模型。接下来我们用nn.Module来实现Logistic回归。
import torch.nn as nn
class LogisticRegression(nn.Module):
def __init__(self,D_in):
super(LogisticRegression,self).__init__()
self.linear = nn.Linear(D_in,1)
self.sigmoid = nn.Sigmoid()
def forward(self,x):
x = self.linear(x)
output = self.sigmoid(x)
return output
lr_model = LogisticRegression(2)
loss = nn.BCELoss()
loss(lr_model(x),y)
当通过继承 nn.Module实现自己的模型时,forward方法是必须被子类覆写的,在forward内部应当定义每次调用模型时执行的计算。从代码中我们可以看出,nn.Module 类的主要作用
就是接收Tensor然后计算并返回结果。 Module的属性就可以被自动获
在一个Module中,还可以嵌套其他的Module,被嵌套的
取,比如可以调用nn.Module.parameters方法获取Module所有保留的参数,调用 nn.Module.to方法将模型的参数放置到GPU上等。
class MyModel(nn.Module):
def __init__(self):
super(MyModel,self).__init__()
self.linear = nn.Linear(1,1,bias=True)
self.linear = nn.Linear(1,1,bias=False)
def forward(self):
pass
for param in MyModel().parameters():
print(param)
3.5优化算法
Logistic回归通常采用稀度下降法优化目标函数。PyTorch的torch.optim包实现了大多数意用的优化算法,使用起来非常简单。首先构建一个优化器,在构建时,需要将待学习的参数传入,然后传人优化器需要的参数,比如学习率。
from torch import optim
optimizer = optim.SGD(lr_model.parameters(),lr=0.03)
构建完优化器,就可以迭代地对模型进行训练,有两个步骤:首先调用损失函数的backward方法计算模型的梯度,然后调用优化器的step方法更新模型的参数。需要注意的是,应当提前调用优化器的zero_grad方法清空参数的梯度。
batch_size =10
iters = 10
#for input,target in dataset:
for _ in range(iters):
for i in range(int(len(x)/batch_size)):
input = x[i*batch_size:(i+1)*batch_size]
target = y[i*batch_size:(i+1)*batch_size]
optimizer.zero_grad()
output = lr_model(input)
l = loss(output,target)
l.backward()
optimizer.step()
3.6模型可视化
Logistic 回归模型的判决边界在高维空间是一个超平面,而我们的数据集是二维的,所以判决边界只是平面内的一条直线,在线的一侧被预测为正类,另一侧则被预测为负类。下面我们实现draw decision boundary函数。它接收线性模型的参数w和b,以及数据集x。绘制判决边界的方法十分简单,如第10行,只需要计算一些数据在线性模型的映射值,然后调用plt.plot绘制线条即可。
output = lr_model(x)
pred_neg = (output <= 0.5).view(-1)
pred_pos = (output > 0.5).view(-1)
plt.scatter(x[pred_neg,0],x[pred_neg,1])
plt.scatter(x[pred_pos,0],x[pred_pos,1])
w = lr_model.linear.weight[0]
b = lr_model.linear.bias[0]
def draw_decision_boundary(w,b,x0):
x1 = (-b - w[0] * x0) / w[1]
plt.plot(x0.detach().numpy(),x1.detach().numpy(),'b')
draw_decision_boundary(w,b,torch.linspace(x.min(),x.max(),50))
plt.show()
运行结果:
标签:linear,nn,sigmoid,回归,torch,Logistic,output,模型 From: https://blog.csdn.net/2301_77681528/article/details/136993607