-
Notifications
You must be signed in to change notification settings - Fork 29
/
logisticRegression.py
183 lines (154 loc) · 6.27 KB
/
logisticRegression.py
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
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
# -*- coding: utf-8 -*-
import numpy as np
import matplotlib.pylab as plt
# クラス
class logisticRegression():
#-------------------
# 1. 学習データの設定とモデルパラメータの初期化
# X: 入力データ(データ数×次元数のnumpy.ndarray)
# Y: 出力データ(データ数×1のnumpy.ndarray)
def __init__(self,X,Y):
# 学習データの設定
self.X = X
self.Y = Y
self.dNum = X.shape[0] # 学習データ数
self.xDim = X.shape[1] # 入力の次元数
# 行列Xに「1」の要素を追加
self.Z = np.concatenate([self.X,np.ones([self.dNum,1])],axis=1)
# モデルパラメータの初期値の設定
self.w = np.random.normal(size=[self.xDim,1])
self.b = np.random.normal(size=[1,1])
# log(0)を回避するための微小値
self.smallV = 10e-8
#-------------------
#-------------------
# 2. 最急降下法を用いたモデルパラメータの更新
# alpha: 学習率(スカラー実数)
def update(self,alpha=0.1):
# 予測の差の計算
P,_ = self.predict(self.X)
error = (P-self.Y)
# パラメータの更新
grad = 1/self.dNum*np.matmul(self.Z.T,error)
v = np.concatenate([self.w,self.b],axis=0)
v -= alpha * grad
# パラメータw,bの決定
self.w = v[:-1]
self.b = v[[-1]]
#-------------------
#-------------------
# 3. 予測
# X: 入力データ(データ数×次元数のnumpy.ndarray)
def predict(self,x):
f_x = np.matmul(x,self.w) + self.b
return 1/(1+np.exp(-f_x)),f_x
#-------------------
#-------------------
# 4. 交差エントロピー損失の計算
# X: 入力データ(データ数×次元数のnumpy.ndarray)
# Y: 出力データ(データ数×1のnumpy.ndarray)
def CE(self,X,Y):
P,_ = self.predict(X)
return -np.mean(Y*np.log(P+self.smallV)+(1-Y)*np.log(1-P+self.smallV))
#-------------------
#-------------------
# 5. 正解率の計算
# X: 入力データ(データ数×次元数のnumpy.ndarray)
# Y: 出力データ(データ数×1のnumpy.ndarray)
# thre: 閾値(スカラー)
def accuracy(self,X,Y,thre=0.5):
P,_ = self.predict(X)
# 2値化
P[P>thre] = 1
P[P<=thre] = 0
# 正解率
accuracy = np.mean(Y==P)
return accuracy
#-------------------
#-------------------
# 6. 真値と予測値のプロット(入力ベクトルが1次元の場合)
# X: 入力データ(次元数×データ数のnumpy.ndarray)
# Y: 出力データ(データ数×1のnumpy.ndarray)
# xLabel: x軸のラベル(文字列)
# yLabel: y軸のラベル(文字列)
# fName: 画像の保存先(文字列)
def plotModel1D(self,X=[],Y=[],xLabel="",yLabel="",fName=""):
fig = plt.figure(figsize=(6,4),dpi=100)
# 予測値
P,_ = self.predict(X)
# 真値と予測値のプロット
plt.plot(X,Y,'b.',label="真値")
plt.plot(X,P,'r.',label="予測")
# 各軸の範囲とラベルの設定
plt.yticks([0,0.5,1])
plt.ylim([-0.1,1.1])
plt.xlim([np.min(X),np.max(X)])
plt.xlabel(xLabel,fontSize=14)
plt.ylabel(yLabel,fontSize=14)
plt.grid()
plt.legend()
# グラフの表示またはファイルへの保存
if len(fName):
plt.savefig(fName)
else:
plt.show()
#-------------------
#-------------------
# 7. 真値と予測値のプロット(入力ベクトルが2次元の場合)
# X: 入力データ(データ数×次元数のnumpy.ndarray)
# Y: 出力データ(データ数×1のnumpy.ndarray)
# xLabel: x軸のラベル(文字列)
# yLabel: y軸のラベル(文字列)
# title: タイトル(文字列)
# fName: 画像の保存先(文字列)
def plotModel2D(self,X=[],Y=[],xLabel="",yLabel="",title="",fName=""):
#fig = plt.figure(figsize=(6,4),dpi=100)
plt.close()
# 真値のプロット(クラスごとにマーカーを変更)
plt.plot(X[Y[:,0]==0,0],X[Y[:,0]==0,1],'cx',markerSize=14,label="ラベル0")
plt.plot(X[Y[:,0]==1,0],X[Y[:,0]==1,1],'m.',markerSize=14,label="ラベル1")
# 予測値のメッシュの計算
X1,X2 = plt.meshgrid(plt.linspace(np.min(X[:,0]),np.max(X[:,0]),50),plt.linspace(np.min(X[:,1]),np.max(X[:,1]),50))
Xmesh = np.hstack([np.reshape(X1,[-1,1]),np.reshape(X2,[-1,1])])
Pmesh,_ = self.predict(Xmesh)
Pmesh = np.reshape(Pmesh,X1.shape)
# 予測値のプロット
CS = plt.contourf(X1,X2,Pmesh,linewidths=2,cmap="bwr",alpha=0.3,vmin=0,vmax=1)
# カラーバー
CB = plt.colorbar(CS)
CB.ax.tick_params(labelsize=14)
# 各軸の範囲とラベルの設定
plt.xlim([np.min(X[:,0]),np.max(X[:,0])])
plt.ylim([np.min(X[:,1]),np.max(X[:,1])])
plt.title(title,fontSize=14)
plt.xlabel(xLabel,fontSize=14)
plt.ylabel(yLabel,fontSize=14)
plt.legend()
# グラフの表示またはファイルへの保存
if len(fName):
plt.savefig(fName)
else:
plt.show()
#-------------------
#-------------------
# 8. 学習と評価損失のプロット
# trEval: 学習の損失
# teEval: 評価の損失
# yLabel: y軸のラベル(文字列)
# fName: 画像の保存先(文字列)
def plotEval(self,trEval,teEval,ylabel="損失",fName=""):
fig = plt.figure(figsize=(6,4),dpi=100)
# 損失のプロット
plt.plot(trEval,'b',label="学習")
plt.plot(teEval,'r',label="評価")
# 各軸の範囲とラベルの設定
plt.xlabel("反復",fontSize=14)
plt.ylabel(ylabel,fontSize=14)
plt.ylim([0,1.1])
plt.legend()
# グラフの表示またはファイルへの保存
if len(fName):
plt.savefig(fName)
else:
plt.show()
#-------------------