機器學習十講-第三講分類

清風紫雪發表於2021-02-08

感知機

原理

 

 

 下面用一個 perception 函式實現上述演算法。為了深入觀察演算法執行過程,我們保留了每一輪迭代的引數 ww,並對每一輪迭代中隨機選取的樣本也進行了記錄。所以,perception 函式返回三個取值: 最終學習到的引數 w, 每輪迭代的引數 W, 每輪迭代隨機選取的樣本 mis_samples 。

程式碼實現

def perception(X,y,learning_rate,max_iter=1000):
    w = pd.Series(data=np.zeros_like(X.iloc[0]),index=X.columns) # 初始化引數 w0
    W = [w] # 定義一個列表存放每次迭代的引數
    mis_samples = [] # 存放每次誤分類的樣本
    
    for t in range(max_iter):
        
        # 2.1 尋找誤分類集合 M
        m = (X.dot(w))*y #yw^Tx < 0 的樣本為誤分類樣本
        X_m = X[m <= 0]  # 誤分類樣本的特徵資料
        y_m = y[m <= 0]  # 誤分類樣本的標籤資料
        
        if(len(X_m) > 0): # 如果有誤分類樣本,則更新引數;如果不再有誤分類樣本,則訓練完畢。
            # 2.2 從 M 中隨機選取一個樣本 i 
            i = np.random.randint(len(X_m))
            mis_samples.append(X_m.iloc[i,:])
            # 2.3 更新引數 w 
            w = w + learning_rate * y_m.iloc[i]*X_m.iloc[i,:]
            W.append(w)
        else: 
            break
            
    mis_samples.append(pd.Series(data=np.zeros_like(X.iloc[0]),index=X.columns))
    return w,W,mis_samples
w_percept,W,mis_samples = perception(data[["x1","x2","ones"]], data["label"],1,max_iter=1000)

將學習到的感知機的決策直線視覺化,觀察分類效果。

x1 = np.linspace(-6, 6, 50)
x2 = - (w_percept[0]/w_percept[1])*x1 - w_percept[2]/w_percept[1]
plt.figure(figsize=(8, 8)) #設定圖片尺寸

plt.scatter(data_pos["x1"],data_pos["x2"],c="#E4007F",marker="^") # 類別為1的資料繪製成洋紅色
plt.scatter(data_neg["x1"],data_neg["x2"],c="#007979",marker="o") # 類別為-1的資料繪製成深綠色
plt.plot(x1,x2,c="gray") # 畫出分類直線

plt.xlabel("$x_1$") #設定橫軸標籤
plt.ylabel("$x_2$") #設定縱軸標籤
plt.title('手動實現的感知機模型')
plt.xlim(-6,6) #設定橫軸顯示範圍
plt.ylim(1,5) #設定縱軸顯示範圍
plt.show()

展示:

 

 

 邏輯迴歸

原理

 

 

 程式碼實現

梯度下降法求解邏輯迴歸

import numpy as np
# 定義梯度下降法求解的迭代公式
def logistic_regression(X,y,learning_rate,max_iter=1000):
    # 初始化w
    w = np.zeros(X.shape[1])
    for t in range(max_iter):      
        # 計算yX
        yx = y.values.reshape((len(y),1)) * X 
        # 計算1 + e^(yXW)
        logywx = (1 +  np.power(np.e,X.dot(w)*y)).values.reshape(len(y),1) 
        w_grad = np.divide(yx,logywx).sum()
        # 迭代w
        w = w + learning_rate * w_grad    
    return w

我們將資料及標籤帶入上面定義的函式,學習率設為 0.5 ,迭代次數為1000次,輸出訓練好的引數,並將分類結果進行視覺化。

# 輸出訓練好的引數
w = logistic_regression(data[["x1","x2","ones"]], data["label"],0.5,max_iter=1000)  
print(w)

# 視覺化分類結果
x1 = np.linspace(-6, 6, 50)
x2 = - (w[0]/w[1])*x1 - w[2]/w[1]

plt.figure(figsize=(8, 8))
plt.scatter(data_pos["x1"],data_pos["x2"],c="#E4007F",marker="^") # 類別為1的資料繪製成洋紅色
plt.scatter(data_neg["x1"],data_neg["x2"],c="#007979",marker="o") # 類別為-1的資料繪製成深綠色
plt.plot(x1,x2,c="gray")

plt.xlabel("$x_1$")
plt.ylabel("$x_2$")
plt.xlim(-6,6)
plt.ylim(1,5)
plt.show()

 

 

 

隨機梯度下降法求解邏輯迴歸

 

 

 

# 定義隨機梯度下降法求解的迭代公式
def logistic_regression_sgd(X,y, learning_rate, max_iter=1000): 
    # 初始化w
    w = np.zeros(X.shape[1])
    for t in range(max_iter):
        # 隨機選擇一個樣本
        i = np.random.randint(len(X))
        # 計算yx
        yixi = y[i] * X.values[i]
         # 計算1 + e^(yxW)
        logyiwxi = 1 +  np.power(np.e, w.T.dot(X.values[i])*y[i])
        w_grad = yixi / logyiwxi
        
        # 迭代w
        w = w + learning_rate * w_grad  
        
    return w

我們將學習率設為 0.5,迭代次數為1000次,並輸出訓練好的引數,將分類結果視覺化。

# 輸出訓練好的引數
w = logistic_regression_sgd(data[["x1","x2","ones"]], data["label"],0.5,max_iter=1000)  
print(w)

# 視覺化分類結果
x1 = np.linspace(-6, 6, 50)
x2 = - (w[0]/w[1])*x1 - w[2]/w[1]

plt.figure(figsize=(8, 8))
plt.scatter(data_pos["x1"],data_pos["x2"],c="#E4007F",marker="^") # 類別為1的資料繪製成洋紅色
plt.scatter(data_neg["x1"],data_neg["x2"],c="#007979",marker="o") # 類別為-1的資料繪製成深綠色
plt.plot(x1,x2,c="gray")

plt.xlabel("$x_1$")
plt.ylabel("$x_2$")
plt.xlim(-6,6)
plt.ylim(1,5)
plt.show()

 

 

 

向量機

原理

 

 

 程式碼實現

import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline

# 定義函式
def linear_svm(X,y,lam,max_iter=2000):  
    w = np.zeros(X.shape[1]) # 初始化w
    support_vectors = [] # 建立空列表儲存支援向量
    
    for t in range(max_iter): # 進行迭代
        
        learning_rate = 1/(lam * (t + 1)) # 計算本輪迭代的學習率
        i = np.random.randint(len(X)) # 從訓練集中隨機抽取一個樣本
        ywx = w.T.dot(X.values[i])*y[i]  # 計算y_i w^T x_i
        
        if ywx < 1:# 進行指示函式的判斷
            w = w - learning_rate * lam*w + learning_rate * y[i] * X.values[i] # 更新引數       
        else:
            w = w - learning_rate * lam*w # 更新引數
    for i in range(len(X)):
        ywx = w.T.dot(X.values[i])*y[i]  # 計算y_i w^T x_i
        if ywx <= 1: # 根據樣本是否位於間隔附近判斷是否為支援向量
            support_vectors.append(X.values[i])
    
    return w,support_vectors

需要注意的是,線性支援向量機的正則化項通常不包括截距項,我們可以將資料進行中心化,再呼叫上述程式碼。

# 對訓練集資料進行歸一化,則模型無需再計算截距項
X = data[["x1","x2"]].apply(lambda x: x - x.mean())
# 訓練集標籤
y = data["label"]
w,support_vectors = linear_svm(X,y, lam=0.05, max_iter=5000)

將得到的超平面視覺化,同時將兩個函式間隔為 1 的線也繪製出來。對於所有不滿足約束的樣本,使用圓圈標記出來。

# 建立繪圖框
plt.figure(figsize=(8, 8))
# 繪製兩類樣本點
X_pos = X[ y==1 ]
X_neg = X[ y==-1 ]
plt.scatter(X_pos["x1"],X_pos["x2"],c="#E4007F",marker="^") # 類別為1的資料繪製成洋紅色
plt.scatter(X_neg["x1"],X_neg["x2"],c="#007979",marker="o") # 類別為-1的資料繪製成深綠色

# 繪製超平面
x1 = np.linspace(-6, 6, 50)
x2 = - w[0]*x1/w[1]
plt.plot(x1,x2,c="gray")

# 繪製兩個間隔超平面
plt.plot(x1,-(w[0]*x1+1)/w[1],"--",c="#007979")
plt.plot(x1,-(w[0]*x1-1)/w[1],"--",c="#E4007F")

# 標註支援向量
for x in support_vectors:
    plt.plot(x[0],x[1],"ro", linewidth=2, markersize=12,markerfacecolor='none')
    
# 新增軸標籤和限制軸範圍
plt.xlabel("$x_1$")
plt.ylabel("$x_2$")
plt.xlim(-6,6)
plt.ylim(-2,2)

 

 

 例項-新聞主題分類

步驟

讀取資料

raw_train = pd.read_csv("./input/chinese_news_cutted_train_utf8.csv",sep="\t",encoding="utf8")
raw_test = pd.read_csv("./input/chinese_news_cutted_test_utf8.csv",sep="\t",encoding="utf8")

檢視訓練集的前5行。

raw_train.head()

 

 為了簡單,我們這裡先只考慮二分類,我們選取主題為"科技"和“文化”新聞。

raw_train_binary = raw_train[((raw_train["分類"] == "科技") | (raw_train["分類"] == "文化"))]
raw_test_binary = raw_test[((raw_test["分類"] == "科技") | (raw_test["分類"] == "文化"))]

 

 

 

 

 

 

 

模型效果評估

下面使用混淆矩陣來分析模型在測試集上的表現。混淆矩陣從樣本的真實標籤和模型預測標籤兩個維度對測試集樣本進行分組統計,然後以矩陣的形式展示。藉助混淆矩陣可以很好地分析模型在每一類樣本上的分類效果。為了更直觀地分析,我們藉助 Python 中的視覺化庫 Seaborn 提供的 heatmap 函式,將線性支援向量機模型的混淆矩陣進行視覺化。

from sklearn.metrics import confusion_matrix
import seaborn as sns
import matplotlib.pyplot as plt
fig, ax = plt.subplots(figsize=(5,5))
# 設定正常顯示中文
sns.set(font='SimHei')
# 繪製熱力圖
y_svm_pred = lsvm_clf.predict(X_test) # 預測標籤
y_test_true = raw_test_binary["分類"] #真實標籤
confusion_matrix = confusion_matrix(y_svm_pred,y_test_true)#計算混淆矩陣
ax = sns.heatmap(confusion_matrix,linewidths=.5,cmap="Greens",
                 annot=True, fmt='d',xticklabels=lsvm_clf.classes_, yticklabels=lsvm_clf.classes_)
ax.set_ylabel('真實')
ax.set_xlabel('預測')
ax.xaxis.set_label_position('top') 
ax.xaxis.tick_top()
ax.set_title('混淆矩陣熱力圖')

 

 可見:正對角線還是比較集中的,代表效果還不錯

總結

在本案例中,我們使用隨機梯度方法實現了三種使用迴歸的思想來解決分類問題的模型:感知機、邏輯迴歸和線性支援向量機。在實現時主要使用了 NumPyPandas 和 Matplotlib 等 Python 庫。在 Sklearn 中,linear.model.SGDClassifier 類實現了常見演算法的隨機梯度下降實現。我們使用該類,在一份中文新聞資料上分別用隨機梯度下降演算法訓練了感知機、邏輯迴歸和線性支援向量機模型,實現了對中文新聞主題的分類。最後,使用 Sklearn.metrics 實現的模型評價方法,用正確率和混淆矩陣對分類效果進行了簡單的分析。

import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
yfx = np.linspace(-4, 4, 500)
perception = [0 if i >= 0 else -i for i in yfx]
hinge = [(1-i) if i <= 1 else 0 for i in yfx]
log = np.log2(1 + np.power(np.e,-yfx))
plt.figure(figsize=(8, 6))
plt.plot(yfx,perception,c="b",label="感知機損失")
plt.plot(yfx,hinge,c="g",label="合頁損失(SVM)")
plt.plot(yfx,log,c="red",label="對數損失(LR)")
plt.hlines(1,-4,0)
plt.vlines(0,0,1)
plt.xlabel("$yf(x)$")
plt.ylabel("$L_i(y_i,yf(x))$")
plt.xlim(-4,4)
plt.ylim(0,6)
plt.legend()

 

 以下為繪製三種分類模型的從迴歸到分類的對映函式。

import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
#建立畫布並引入axisartist工具。
import mpl_toolkits.axisartist as axisartist
#建立畫布
fig = plt.figure(figsize=(8, 8))
fx = np.linspace(-10, 10, 500)
step = [1 if i >= 0 else -1 for i in fx]
tanh = np.tanh(fx)
sigmoid = 1/(1 + np.power(np.e,-fx))
plt.axhline(0,-10,10,color="k")
plt.axvline(0,-2,2,color="k")
plt.plot(fx,step,c="b",label="step")
plt.plot(fx,tanh,c="g",label="tanh")
plt.plot(fx,sigmoid,c="red",label="sigmoid")
plt.xlabel("$f$")
plt.ylabel("$H(f)$")
plt.grid(False)
plt.xlim(-10, 10)
plt.ylim(-2,2)
plt.axis('off')
plt.legend()

 

 

 

raw_train = pd.read_csv("./input/chinese_news_cutted_train_utf8.csv",sep="\t",encoding="utf8")raw_test = pd.read_csv("./input/chinese_news_cutted_test_utf8.csv",sep="\t",encoding="utf8")

相關文章