机器学习习题——对率回归

一、代码 

#coding=UTF-8
from numpy import * #调用numpy包的所有资源，主要作用是数学
import numpy as np #调用numpy的同时，起名np
import matplotlib.pyplot as plt#调用matplotlib里的pyplot并且起名为plt,主要作用是绘图
#定义一个二维数组18行2列
x=np.array([[0.697,0.460],[0.774,0.376],[0.634,0.264],[0.608,0.318],[0.556,0.215],[0.403,0.237],[0.481,0.149],[0.437,0.211],[0.666,0.091],
            [0.243,0.267],[0.245,0.057],[0.343,0.099],[0.639,0.161],[0.657,0.198],[0.360,0.370],[0.591,0.042],[0.719,0.103]]) #导入需要的数据格式
y=np.array([1,1,1,1,1,1,1,1,0,0,0,0,0,0,0,0,0])#定义一个一维数组1行18列


##对率回归的实现 前期数据处理
ones1=np.array([[1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1]])#定义一个二维数组18行1列
ones1=ones1.T#数组转置
x1=np.concatenate((x,ones1),axis=1)#将x数组和ones数组拼接，按行拼接的数组x1
beta=np.array([1,1,1])    #设定beta的初始值是一个1行3列的数组
n=1000;                   #设定迭代次数为100次

def func_sigmod(beta,x0):#定义一个sigmod的激活函数
    y = math.exp(np.dot(beta,x0))/(1+math.exp(np.dot(beta,x0)))#使用公式计算好瓜的概率
    return y #将结果返回

#算法实现
for k in range(0,n):#从0到n循环
    B1=0  #将B1的值设置为0
    for j in range(len(x)):
        B1=B1-x1[j,:]*(y[j]-func_sigmod(beta,x1[j,:]))   #对损失函数求导
    B2=0
    for j in range(len(x)):
        B2=B2+(x1[j,:]**2).sum()*func_sigmod(beta,x1[j,:])*(1-func_sigmod(beta,x1[j,:]))
    beta=beta-1/B2*B1   #求一个最优解
print(beta)  #打印出最优解
f1=plt.figure(1)#plt.figure(1)是新建一个名叫 Figure1的画图窗口
plt.title('watermelon_3a')#图的标题叫watermelon_3e
plt.xlabel('density')#设置X轴文字为density
plt.ylabel('ratio_sugar')#设置y轴文字为ratio_sugar
plt.scatter(x[y==1,0],x[y==1,1],marker='+',color='r',s=100,label='good')
plt.scatter(x[y==0,0],x[y==0,1],marker='*',color='b',s=100,label='bad')
plt.legend(loc='upper right')#设置图标
plt.show()#显示所画的图

【注】

plt.figure()——调用figure创建一个绘图对象

plt.plot()——调用plot函数在当前的绘图对象中绘图

plt.xlable()/plt.ylable()——设置X/Y轴的文字

plt.title()——设置图表的标题

plt.xlim()/plt.ylim()——设置X/Y轴的范围，格式为[x/y的起点，x/y的终点]

plt.axis()——同时设置X轴和Y轴的范围，格式为[x的起点，x的终点，y的起点，y的终点]

plt.legend()——显示label中标记的图示

plt.show()——显示出plt.show()创建出的所有绘图对象

plt.scatter()

绘制散点图。plt.scatter(x,y,s,c,marker,alpha)

x,y:x轴与y轴的数据

s:点的面积

c:点的颜色——'r-':表示红色实线

marker:点的形状

alpha:透明度

二、结果