logistic回归（一）

http://www.2cto.com/kf/201307/226576.html

，

这个是Sigmoid函数，在这个回归过程中非常重要的函数，主要的算法思想和这个密切相关。这个函数的性质大家可以自己下去分析，这里就不细说了。

然后我们说明下流程，首先我们将每个特征都乘以一个回归系数，然后将这个总和带入上面的函数，进而得到一个数值在0~1的值，则大于0.5归到1类，小于0.5归到0类。但是这么多维特征的系数该怎么选取成了我们最关心的问题。这样我们就构建了一个二分类的模型，判定一个东西是不是某个分类。

迭代使用的微分公式：

我们沿着这个进行迭代求最优权重参数，这样出来的参数就可以出来了。对于二维空间的我们可以参考一张示意图：

当然步长的设置不能太长，否则可能跨越最佳值。O(∩_∩)O~当然这里给出的只是一个玩具示意下，这个复杂的数学过程是如何进行的。

最后给出python代码：

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57

from numpy import *    def loadDataSet():     dataMat = []; labelMat = []     fr = open('testSet.txt')     for line in fr.readlines():         lineArr = line.strip().split()         dataMat.append([1.0, float(lineArr[0]), float(lineArr[1])])         labelMat.append(int(lineArr[2]))     return dataMat,labelMat    def sigmoid(inX):     return 1.0/(1+exp(-inX))    def gradAscent(dataMatIn, classLabels):     dataMatrix = mat(dataMatIn)             #convert to NumPy matrix      labelMat = mat(classLabels).transpose() #convert to NumPy matrix      m,n = shape(dataMatrix)     alpha = 0.001     maxCycles = 500     weights = ones((n,1))     for k in range(maxCycles):              #heavy on matrix operations          h = sigmoid(dataMatrix*weights)     #matrix mult          error = (labelMat - h)              #vector subtraction          weights = weights + alpha * dataMatrix.transpose()* error #matrix mult      return weights       dataArr, labelMat = loadDataSet() print(gradAscent(dataArr,labelMat))   from numpy import *   def loadDataSet():     dataMat = []; labelMat = []     fr = open('testSet.txt')     for line in fr.readlines():         lineArr = line.strip().split()         dataMat.append([1.0, float(lineArr[0]), float(lineArr[1])])         labelMat.append(int(lineArr[2]))     return dataMat,labelMat   def sigmoid(inX):     return 1.0/(1+exp(-inX))   def gradAscent(dataMatIn, classLabels):     dataMatrix = mat(dataMatIn)             #convert to NumPy matrix     labelMat = mat(classLabels).transpose() #convert to NumPy matrix     m,n = shape(dataMatrix)     alpha = 0.001     maxCycles = 500     weights = ones((n,1))     for k in range(maxCycles):              #heavy on matrix operations         h = sigmoid(dataMatrix*weights)     #matrix mult         error = (labelMat - h)              #vector subtraction         weights = weights + alpha * dataMatrix.transpose()* error #matrix mult     return weights