最优化方法Python计算：无约束优化应用——逻辑分类模型

逻辑回归模型更多地用于如下例所示判断或分类场景。
例1 某银行的贷款用户数据如下表：

	欠款（元）	收入（元）	是否逾期
1	7000	800	Yes
2	2000	2500	No
3	5000	3000	Yes
4	4000	4000	No
5	2000	3800	No

显然，客户是否逾期（记为$y$）与其欠款额（记为$x_1$）和收入（记为$x_2$）相关。如果将客户逾期还款记为1，未逾期记为0，我们希望根据表中数据建立 R 2 → { 0 , 1 } \text{R}^2\rightarrow\{0,1\} R2→{0,1}的拟合函数
$$y=F(\mathbf{x})$$
使得$F({\mathbf{x}}_i)\approx y_i,i=1,2,\cdots ,5$，并用$F(\mathbf{x})$根据新客户的欠款额与收入数据

欠款（元）	收入（元）	是否逾期
3500	3500	?
3000	2100	?

进行预测分类。
要用回归模型分类，关键在于如何将预测值$y$离散化为0，1，或一般地离散化为连续的$n$个整数$N_1,N_1+1,\cdots ,N_1+n-1,N_2$。解决之道是设置阈值，譬如，设${\mu }_1=N_1+0.5,{\mu }_2=N_1+1.5,\cdots ,{\mu }_{n-1}=N_1+n-0.5$，对$y<{\mu }_1$，$y$转换为$N_1$；${\mu }_i\le y<{\mu }_{i+1}$，将其转化为$N_1+i$；$y\ge {\mu }_{n-1}$，转换为$N_2$。
其次，对分类模型的评价指标应该是分类正确率：设$({\mathbf{x}}_i,y_i)$，$i=1,2,\cdots ,m$为测试数据。用训练所得的最优模式${\mathbf{w}}_0$，得预测值$y_i^{\prime }$，$i=1,2,\cdots ,m$。记$\mathbf{y}=\left(\begin{array}{c}{y}_1\\ y_2\\ ⋮\\ y_m\end{array}\right)$，${\mathbf{y}}_t=\left(\begin{array}{c}{y}_1^{\prime }\\ y_2^{\prime }\\ ⋮\\ y_m^{\prime }\end{array}\right)$，计算$y_i=y_i^{\prime }$成立的个数$m_1$，则正确率为$\frac{m_1}{m}\times 100$。
下列代码实现用于分类的Classification类。

import numpy as np										#导入numpy
class Classification():									#分类模型def threshold(self, x):								#阈值函数N1 = x.min().astype(int) - 1					#最小阈值整数部分N2 = np.round(x.max()).astype(int) + 1			#最大阈值整数部分y = np.array([N1] * x.size)						#因变量数组for n in range(N1, N2):							#对每个可能的函数值d = np.where((x >= n - 0.5)&(x < n + 0.5))	#取值区间y[d] = n									#函数值if(y.size == 1):								#单值情形y = y[0]return ydef predict(self, X):								#重载预测函数yp = RegressModel.predict(self, X)				#计算预测值return self.threshold(yp)						#转换为离散值def accuracy(self, y1, y2):							#正确率m = y1.sizeacc=np.where(y1 == y2)[0].size					#计算两者相等的元素个数return acc / m * 100def test(self, x, y):								#测试函数yp = self.predict(x)return yp, self.accuracy(y, yp)
class LogicClassifier(Classification, LogicModel):'''逻辑分类模型'''

程序中第2~22行定义了用于分类的Classification辅助类。其中第3~12行定义阈值函数threshold。第13~15行在预测函数predict外“套上”阈值函数threshold，筛选出分类值返回。第16~19行定义计算两个等长整数数组y1，y2中对应元素相等的比率函数accuracy。第20~22行定义测试函数test，对测试数据x和y，计算x的预测值yp，然后调用accuracy计算y和yt的相等比率返回。第23~24行联合Classification类和LogicModel类（详见博文《最优化方法Python计算：无约束优化应用——逻辑回归模型》）实现逻辑分类模型类LogicClassifier。下面我们来小试牛刀：用逻辑分类模型LogicClassifier计算例1中的问题。

import numpy as np								#导入numpy
x = np.array([[7000, 800],						#设置训练、测试数据[2000, 2500],[5000, 3000],[4000, 4000],[2000, 3800]])
y = np.array([1, 0, 1, 0, 0])
title = np.array(['No', 'Yes'])					#预测值标签
np.random.seed(2024)							#随机种子
credit = LogicClassifier()						#创建逻辑分类模型
credit.fit(x,y)									#训练
_, acc=credit.test(x,y)							#测试
print('准确率：%.1f'%acc + '%')
x1 = np.array([[3500, 3500],					#设置预测数据[3000, 2100]])
print('对测试数据：')
print(x1)
Y = credit.predict(x1)							#计算预测值
print('归类为：')
print([title[y] for y in Y])

看官可借助代码内注释信息理解程序，需要提请注意的是第9行设置随机种子是为了使看官的运行结果与下列的输出一致。运行程序，输出

训练中...，稍候
3次迭代后完成训练。
准确率：100.0%
对测试数据：
[[3500 3500][3000 2100]]
归类为：
['No', 'Yes']

开胃菜后，上正餐。
综合案例
文件iris.csv（来自UC Irvine Machine Learning Repository）是统计学家R. A. Fisher在1936年采集的一个小型经典数据集，这是用于评估分类方法的最早的已知数据集之一。该数据集含有150例3种鸢尾花：setosa、versicolour和virginica的数据

	Sepal.Length	Sepal.Width	Petal.Length	Petal.Width	Species
1	5.1	3.5	1.4	0.2	setosa
2	4.9	3	1.4	0.2	setosa
3	4.7	3.2	1.3	0.2	setosa
$\cdots$	$\cdots$	$\cdots$	$\cdots$	$\cdots$	$\cdots$
51	7	3.2	4.7	1.4	versicolor
52	6.4	3.2	4.5	1.5	versicolor
53	6.9	3.1	4.9	1.5	versicolor
$\cdots$	$\cdots$	$\cdots$	$\cdots$	$\cdots$	$\cdots$
148	6.5	3	5.2	2	virginica
149	6.2	3.4	5.4	2.3	virginica
150	5.9	3	5.1	1.8	virginica

五个数据属性的意义分别为

• Sepal.Length：花萼长度；
• Sepal.Width：花萼宽度；
• Petal.Length：花瓣长度；
• Petal.Width：花瓣宽度；
• Species：种类。

下列代码从文件中读取数据，将花的种类数字化。

import numpy as np										#导入numpy
data = np.loadtxt('iris.csv', delimiter=',', dtype=str)	#读取数据文件
X = np.array(data)										#转换为数组
X = X[:, 1:]											#去掉编号
title = X[0, :4]										#读取特征名称
X = X[1:, :]											#去掉表头
Y = X[:, 4]												#读取标签数据
X = X[:, :4].astype(float)
m = X.shape[0]											#读取样本个数
print('共有%d个数据样本'%m)
print('鸢尾花特征数据：')
print(X)
Y = np.array([0 if y == 'setosa' else					#类别数值化1 if y == 'versicolor' else2 for y in Y])
print('鸢尾花种类数据：')
print(Y)

运行程序，输出

共有150个数据样本
鸢尾花特征数据：
[[5.1 3.5 1.4 0.2][4.9 3.  1.4 0.2][4.7 3.2 1.3 0.2]
...[6.5 3.  5.2 2. ][6.2 3.4 5.4 2.3][5.9 3.  5.1 1.8]]
鸢尾花种类数据：
[0 0 0 ... 2 2 2]

花萼的长度、宽度，花瓣的长度、宽度对鸢尾花的种类有明显的相关性。接下来我们要从数据集中随机选取一部分作为训练数据，训练LogicClassifier分类模型，然后用剩下的数据进行测试，评价训练效果。在前面的程序后添加以下代码

……
a = np.arange(m)									#数据项下标
np.random.seed(2024)
index = np.random.choice(a,m//3,replace=False)		#50个随机下标
Xtrain = X[index]									#训练数据
Ytrain = Y[index]
index1 = np.setdiff1d(a,index)						#测试数据下标
Xtest = X[index1]									#测试数据
Ytest = Y[index1]
iris = LogicClassifier()							#创建模型
print('随机抽取%d个样本作为训练数据。'%(m//3))
iris.fit(Xtrain,Ytrain)								#训练模型
_, accuracy = iris.test(Xtest,Ytest)				#测试
print('对其余%d个数据测试，分类正确率为%.2f'%(m-m//3,accuracy)+'%')

运行程序输出

……
随机抽取50个样本作为训练数据。
训练中...，稍候
23次迭代后完成训练。
对其余100个数据测试，分类正确率为99.00%

第1行的省略号表示前一程序的输出。从测试结果可见训练效果效果不错！