彩笔运维勇闯机器学习--逻辑回归

前言

从本节开始，我们的机器学习之旅进入了下一个篇章。之前讨论的是回归算法，回归算法主要用于预测数据。而本节讨论的是分类问题，简而言之就是按照规则将数据分类
而要讨论的逻辑回归，虽然名字叫做回归，它要解决的是分类问题
开始探索

scikit-learn

还是老规矩，先来个例子，再讨论原理
假设以下场景：一位老哥想要测试他老婆对于抽烟忍耐度，他进行了以下测试
星期一星期二星期三星期四星期五星期六星期日抽烟（单位：根）61814135108是否被老婆打否是是是否是否将以上情形带入模型

1. from sklearn.linear_model import LogisticRegression
2. import numpy as np
4. X = np.array([6, 18, 14, 13, 5, 10, 8]).reshape(-1, 1)
5. y = np.array([0, 1, 1, 1, 0, 1, 0])
7. model = LogisticRegression()
8. model.fit(X, y)
10. print(f"系数： {model.coef_[0][0]:.4f}")
11. print(f"截距： {model.intercept_[0]:.4f}")
12. decision_boundary = -model.intercept_[0] / model.coef_[0][0]
13. print(f"决策边界： {decision_boundary:.2f}")

复制代码

脚本！启动：

报告解读

单特征影响结果，这明显是一个线性模型，所以出现了熟悉的系数与截距，还有一个新的参数：决策边界，这意味着9.1就是分类阈值，>=9.1的结果分类为1，0.5为1，反之3个特征就已经不能画出来了
2个特征

继续刚才的问题，比如除了抽烟被打，再加上喝酒，2个特征
星期一星期二星期三星期四星期五星期六星期日抽烟（单位：根）61814135108喝酒（单位：两）8124330是否被老婆打是否否是否是是

1. from sklearn.metrics import log_loss
3. y_proba = model.predict_proba(X)[:, 1]
4. loss_sklearn = log_loss(y, y_proba)
5. print('=='*20)
6. print(f"损失函数（Log Loss）: {loss_sklearn:.4f}")

复制代码

决策边界：$$ y=\frac{0.127x-0.94}{0.26} $$

1. from sklearn.metrics import accuracy_score
3. y_pred = model.predict(X)
4. accuracy = accuracy_score(y, y_pred)
5. print('=='*20)
6. print(f"准确率：{accuracy:.2f}")

复制代码

在边界以上的是1，边界以下的0
类别不平衡

比如以下代码，1000个样本中，只有14个1，986个0，属于严重的类别不平衡

1. [[3 1]  # TN=3, FP=1
2. [1 3]] # FN=1, TP=3

复制代码

• precision：模型在识别少数类1上完全失败，虽然多数类0的准确率是99%，但是毫无意义，从未正确预测为1
  
• recall：所有真正为0的样本都被找到了（100%）；一个1类都没找到
  
• f1-score：类别1的 F1 是 0，说明模型对少数类的预测能力完全崩溃
  
• support：类别0有 296 个样本，类别1只有 4 个样本
  
• accuracy：0.99，模型总共预测对了 296 个，错了 4 个
  
• macro avg：每个类的指标的“简单平均”，不考虑样本数权重
  
• weighted avg：各类指标的“加权平均”，考虑样本量
  

有位彦祖说了，你这分类只分了1次训练集和测试集，如果带上交叉验证，多分几次类，让其更有机会学习到少数类，情况能不能有所改善？

1. from sklearn.metrics import confusion_matrix
3. print('=='*20)
4. print('混淆矩阵：')
5. y_pred = model.predict(X)
6. cm = confusion_matrix(y, y_pred)
7. print(cm)

复制代码

情况并没有好转，模型依然无法区分少数类
权重调整

1. from sklearn.metrics import classification_report
3. print('=='*20)
4. y_pred = model.predict(X)
5. print("Logistic Regression 分类报告:\n", classification_report(y, y_pred))

复制代码

情况有所好转

• 1的recall从0-->0.5，2 个正类样本中至少预测中了 1 个
  
• 1的Precision从0-->0.01，模型预测为正类的样本大多数是错的，这是 class_weight 造成的：宁愿错也要猜一猜正类
  
• 0的recall从1-->0.7，同样是class_weight造成的，把一部分原本是负类的样本错判为正类了
  
• accuracy从99%-->70%，模型开始尝试预测少数类，虽然整体正确率下降，但变得更愿意去预测少数类了
  

过采样

增加少数类样本，复制或生成新样本，通过 SMOTE（Synthetic Minority Over-sampling Technique）进行过采样

1. from sklearn.metrics import roc_curve, roc_auc_score
3. y_proba = model.predict_proba(X)[:, 1]
4. auc_score = roc_auc_score(y, y_proba)
5. print('=='*20)
6. print(f"AUC = {auc_score:.4f}")

复制代码

• recall提升到了0.64，模型识别了少数类的概率提升了
  
• Precision=0.04，精确率依旧不佳
  
• accuracy=0.75，由于少数类的识别概率提升，所以整体的准确率有所提升
  

欠采样

减少多数类样本（随机删除或聚类），通过RandomUnderSampler进行欠采样

1. import matplotlib.pyplot as plt
3. fpr, tpr, thresholds = roc_curve(y, y_proba)
4. plt.figure(figsize=(6, 5))
5. plt.plot(fpr, tpr, color='blue', label=f'ROC curve (AUC = {auc_score:.4f})')
6. plt.plot([0, 1], [0, 1], color='gray', linestyle='--')
7. plt.xlabel('False Positive Rate')
8. plt.ylabel('True Positive Rate')
9. plt.title('ROC Curve')
10. plt.legend()
11. plt.grid(True)
12. plt.tight_layout()
13. plt.show()

复制代码

与过采样大同小异，效果还不如过采样
正则化

lasso与Ridge在这里依然可以使用

1. from sklearn.linear_model import LogisticRegression
2. from sklearn.metrics import classification_report
3. import numpy as np
5. X = np.array([
6.     [6,8],
7.     [18,1],
8.     [14,2],
9.     [13,4],
10.     [5,3],
11.     [10,3],
12.     [8,0],
13. ])
14. y = np.array([1, 0, 0, 1, 0, 1, 1])
16. model = LogisticRegression()
17. model.fit(X, y)
19. coef = model.coef_[0]
20. intercept = model.intercept_[0]
22. print(f"系数： {coef}")
23. print(f"截距： {intercept}")

复制代码

代价敏感学习

这其实也是其中调整的一种，只不过针对于class_weight这个超参数，进行了更精细化得调整

1. import matplotlib.pyplot as plt
3. x_vals = np.linspace(X[:, 0].min() - 1, X[:, 0].max() + 1, 100)
4. decision_boundary = -(coef[0] * x_vals + intercept) / coef[1]
6. plt.figure(figsize=(8, 6))
7. colors = ['red' if label == 0 else 'blue' for label in y]
8. plt.scatter(X[:, 0], X[:, 1], c=colors, s=80, edgecolor='k')
9. plt.plot(x_vals, decision_boundary, 'k--', label='Decision Boundary')
11. plt.legend()
12. plt.grid(True)
13. plt.tight_layout()
14. plt.show()

复制代码

class_weight={0: 1, 1: 50} 的含义：

• 类别 0（多数类）的权重为 1（标准惩罚）
  
• 类别 1（少数类）的权重为 50（错误预测时惩罚更严重）
  

这是一种牺牲准确率为代价，尽量不要漏掉任何一个少数类，所以表现就是少数类1的precision很低，但是recall是非常高的。这就是所谓的宁可错杀一千，也绝不放过一个
小结

在逻辑回归中，针对类别不平衡的问题，往往有两种决策

• 一种是宁可误报，也不能漏报。先把少数类找出来，再对少数类进行进一步的校验。比如预测入侵筛查、代码漏洞检测等
  
• 另外一种则是需要更关注多数类，有少数类被误报，也是可以接受。比如垃圾邮件分类、推荐系统的准确率等
  

联系我

• 联系我，做深入的交流
  
  
  
  

至此，本文结束
在下才疏学浅，有撒汤漏水的，请各位不吝赐教...

来源：豆瓜网用户自行投稿发布，如果侵权，请联系站长删除