1.2、Logistics Regression算法实践
2024-08-27 18:38:00
1.1、Logistics Regression算法实践
有了上篇博客的理论准备后,接下来,我们用以及完成的函数,构建Logistics Regression分类器。我们利用线性可分的数据作为训练样本来训练。在构建模型的过程中,主要有两个步骤:(1)利用训练样本训练模型,(2)利用训练好的模型对新样本进行预测。
1.1.1、利用训练样本训练Logistics Regression模型
训练模型的主函数:
if __name__=="__main__":
print("------------1.load data----------------")
#导入数据
feature,lable = load_data("data.txt")
print("------------2.training-----------------")
#训练模型
w = lr_train_bgd(feature,lable,1000,0.01)
print("------------3.save model---------------")
#保存数据
save_model("weights",w)
保存数据模块函数:
def save_model(file_name,w):
'''
:param file_name: #模型文件的保存名
:param w: #模型的权重
:return:
'''
m = np.shape(w)[0]
f_w = open(file_name,'w')
w_array = []
for i in range(m):
w_array.append(str(w[i,0]))
f_w.write('\t'.join(w_array))
f_w.close()
加载数据的函数:
def load_data(file_name):
'''
:param file_name: 训练数据的位置
:return: 特征,标签
'''
f = open(file_name)
feature_data = []
lable_data = []
for line in f.readlines():
feature_tmp = []
lable_tmp = []
lines = line.strip().aplit("\t")
feature_tmp.append(1)#偏置项
for i in range(len(lines)-1):
feature_tmp.append(float(lines[i]))
lable_tmp.append(float(lines[-1]))
feature_data.append(feature_tmp)
lable_data.append(lable_tmp)
f.close()
return np.mat(feature_data),np.mat(lable_data)
训练结果:
最终得到的Logistics Regression模型的权重为:
最终分隔超平面为:
1.1.2对数据进行预测:
对于分类算法而言,训练好的模型需要能够对新的数据集进行划分。利用上述步骤,我们训练好LR模型,并将其保存再“weights”文件中。此时我们队训练好的文件进行预测。
预测的主函数:
if __name__=="__main__":
#导入LR模型
print("---------------------1.load model----------")
w = load_weight("weights")
n = np.shape(w)[1]
#导入测试数据
print("---------------------2.load data-----------")
testData = load_data("test_data",n)
#队测试数据进行预测
print("---------------------3.get prediction------")
h = predict(testData,w)
#保存最终数据
print("---------------------4.save prediction-----")
save_result("result",h)
Load_weight函数:
def load_weight(w):
'''导入LR模型
input: w(string)权重所在的文件位置
output: np.mat(w)(mat)权重的矩阵
'''
f = open(w)
w = []
for line in f.readlines():
lines = line.strip().split("\t")
w_tmp = []
for x in lines:
w_tmp.append(float(x))
w.append(w_tmp)
f.close()
return np.mat(w)
Loda_data函数:
def load_data(file_name, n):
'''导入测试数据
input: file_name(string)测试集的位置
n(int)特征的个数
output: np.mat(feature_data)(mat)测试集的特征
'''
f = open(file_name)
feature_data = []
for line in f.readlines():
feature_tmp = []
lines = line.strip().split("\t")
# print lines[2]
if len(lines) < n - 1:
continue
feature_tmp.append(1)
for x in lines:
# print x
feature_tmp.append(float(x))
feature_data.append(feature_tmp)
f.close()
return np.mat(feature_data)
predict函数:
def predict(data, w):
'''对测试数据进行预测
input: data(mat)测试数据的特征
w(mat)模型的参数
output: h(mat)最终的预测结果
'''
h = sig(data * w.T)#sig
m = np.shape(h)[0]
for i in range(m):
if h[i, 0] < 0.5:
h[i, 0] = 0.0
else:
h[i, 0] = 1.0
return h
save_result函数:
def save_result(file_name, result):
'''保存最终的预测结果
input: file_name(string):预测结果保存的文件名
result(mat):预测的结果
'''
m = np.shape(result)[0]
#输出预测结果到文件
tmp = []
for i in range(m):
tmp.append(str(result[i, 0]))
f_result = open(file_name, "w")
f_result.write("\t".join(tmp))
f_result.close()
测试结果:
生成了一个result.txt文件:
结果为:
最新文章
- 【转载】在 2016 年做 PHP 开发是一种什么样的体验?(一)
- 用Vagrant和Ansible搭建持续交付平台
- Bootstrap之表单控件状态
- HTML基础(五)——-css样式表——样式属性——格式与布局
- Python super继承详解
- 【sqlite】python备份数据库
- Linux 查看 删除进程
- DEDE织梦,文章页里的幻灯调用,能调用全部栏目的吗
- 服务管理——ntp
- ASP.NET - 出错页
- HTTP SOAP Request
- vue.js学习第一节
- 一个简单的php站点配置
- Python学习笔记 变量
- complex figure
- Python开发——目录
- SpringMVC工作原理示意图
- 【论文学习】YOLO9000: Better,Faster,Stronger(YOLO9000:更好,更快,更强)
- ZJOI2019 Day1 题解
- PAT 1031 查验身份证(15)(C++&Python)
热门文章
- Lecture Sleep(前缀和)
- 【原创】1. MYSQL++简介
- Nginx 下配置Laravel 错误404
- Unity ios、android、pc一键打包(一)
- 2014蓝桥杯B组初赛试题《李白打酒》
- LINUX下用C语言历遍目录 C语言列出目录 dirent.h在C/C++中的使用
- lambda,map,filter,reduce
- 2.8.2 并发下的ArrayList,以及源码分析
- The Difference Between @Helpers and @Functions In WebMatrix
- .net 空接合操作符 ??