当前位置：首页 > news >正文

逻辑回归（Logistic Regression） —— 机器学习中的经典分类算法

news 文章来源：https://blog.csdn.net/gs80140/article/details/144910919 2025/5/6 1:07:31

1. 逻辑回归简介

逻辑回归是一种线性分类模型，常用于二分类问题。它通过学习特征权重，将输入映射为0 到 1 之间的概率值，并根据阈值将样本归入某一类别。逻辑回归使用Sigmoid 函数将线性结果转化为概率。

尽管名字中有“回归”，但逻辑回归主要是用于分类任务。

2. 数学公式

预测函数

逻辑回归的预测公式为： $h_\theta(x) = \frac{1}{1 + e^{-\theta^T x}}$

x 为输入特征向量；
θ 为参数向量；
$h_\theta(x)$ 表示样本属于正类的概率。

损失函数

逻辑回归的损失函数是对数损失函数（Log Loss）：

$J(\theta) = -\frac{1}{m} \sum_{i=1}^{m} \left[ y^{(i)} \log(h_\theta(x^{(i)})) + (1 - y^{(i)}) \log(1 - h_\theta(x^{(i)})) \right]$

m 为样本数量；
$y^{(i)}$ 为真实标签（0 或 1）；
$h_\theta(x^{(i)})$ 为第 i 个样本的预测概率。
θ 为权重参数。

3. 示例代码

这里用 Python + scikit-learn 实现逻辑回归模型：

示例任务：使用鸢尾花数据集进行分类

# 导入必要的库
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, classification_report# 1. 加载数据集
iris = load_iris()
X = iris.data[:, :2]  # 选取前两个特征便于可视化
y = (iris.target != 0).astype(int)  # 转换成二分类问题（是否为第一类）# 2. 数据预处理
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
scaler = StandardScaler()  # 标准化特征
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)# 3. 训练逻辑回归模型
model = LogisticRegression()
model.fit(X_train, y_train)# 4. 预测并评估
y_pred = model.predict(X_test)
print("模型准确率:", accuracy_score(y_test, y_pred))
print("分类报告:\n", classification_report(y_test, y_pred))# 5. 可视化决策边界
def plot_decision_boundary(X, y, model):h = 0.01x_min, x_max = X[:, 0].min() - 0.5, X[:, 0].max() + 0.5y_min, y_max = X[:, 1].min() - 0.5, X[:, 1].max() + 0.5xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))Z = model.predict(np.c_[xx.ravel(), yy.ravel()])Z = Z.reshape(xx.shape)plt.contourf(xx, yy, Z, alpha=0.8)plt.scatter(X[:, 0], X[:, 1], c=y, edgecolors='k', marker='o')plt.xlabel("Feature 1")plt.ylabel("Feature 2")plt.title("Logistic Regression Decision Boundary")plt.show()plot_decision_boundary(X_test, y_test, model)

4. 代码说明

加载数据集：
- load_iris() 加载鸢尾花数据集，将标签转换为二分类问题（0 或 1）。
数据预处理：
- 使用 StandardScaler 对特征标准化，使其均值为 0，方差为 1。
模型训练：
- 使用 LogisticRegression 训练逻辑回归模型。
模型评估：
- 使用 accuracy_score 和 classification_report 评估模型性能。
可视化：
- 绘制逻辑回归的决策边界。

5. 模型分析与扩展

优点：

输出概率值，具有良好的可解释性；
计算简单，训练速度快；
适合线性可分问题。

缺点：

对于复杂的非线性关系表现不佳；
容易受到异常值的影响。

扩展：

多分类逻辑回归：通过 multi_class='multinomial' 和 solver='lbfgs' 参数，逻辑回归可以实现多分类。
正则化：penalty 参数可设置 L1（Lasso）或 L2（Ridge）正则化来防止过拟合。

6. 进一步提升

特征工程：创建更多有效的特征，如多项式特征。
正则化：合理设置正则化参数 C 以控制模型复杂度。
非线性模型：如果逻辑回归效果不佳，可以尝试更复杂的非线性模型，如 SVM 或神经网络。

逻辑回归模型输入数据格式

LogisticRegression 模型来自 scikit-learn 库，fit(X_train, y_train) 方法用于训练模型。这里的 X_train 和 y_train 是输入特征和标签，要求的数据格式如下：

1. `X_train`（特征矩阵）

类型：numpy.ndarray、pandas.DataFrame 或其他可被转换为 NumPy 数组的格式。
形状：(n_samples, n_features)
- n_samples：样本数量（行数）。
- n_features：每个样本的特征数量（列数）。

示例：

如果有 100 个样本，每个样本有 4 个特征，那么 X_train 的形状为 (100, 4)：

X_train = np.array([[5.1, 3.5, 1.4, 0.2],[4.9, 3.0, 1.4, 0.2],...  # 省略其他样本])

2. `y_train`（标签向量）

类型：numpy.ndarray、pandas.Series 或其他可被转换为一维数组的格式。
形状：(n_samples,)
- n_samples：标签数量，必须与 X_train 的样本数量相同。

值的范围：

二分类问题时，y_train 通常为 0 或 1；
多分类问题时，y_train 为类别索引（如 0、1、2 等整数）。

示例：

如果有 100 个样本，y_train 为长度为 100 的一维数组：

y_train = np.array([0, 1, 0, 1, 1, 0, ...])

3. 输入数据注意事项

缺失值：
- X_train 不允许有缺失值（NaN），可以使用 SimpleImputer 等方法填充缺失值。
数据类型：
- 输入数据最好为浮点型。可以通过 X_train.astype(float) 将数据转换为 float 类型。
标准化/归一化：
- 对特征进行标准化或归一化可以加快模型收敛速度，尤其是当特征值的量级差距较大时。

4. 示例代码

以下是完整的数据格式示例：

import numpy as np
from sklearn.linear_model import LogisticRegression# 示例数据
X_train = np.array([[5.1, 3.5, 1.4, 0.2],[4.9, 3.0, 1.4, 0.2],[4.7, 3.2, 1.3, 0.2]])
y_train = np.array([0, 1, 0])  # 标签对应样本类别# 模型训练
model = LogisticRegression()
model.fit(X_train, y_train)

5. 输出

训练后的模型：保存了特征权重 theta，可以通过 model.coef_ 查看；
预测新数据：调用 model.predict(X_test)，输入格式同 X_train。

总结：X_train 为二维矩阵，y_train 为一维向量，并且二者的样本数量需要一致。如果数据有问题（如缺失值或数据类型不匹配），需要在训练前进行预处理。