Softmax Regression算法实践
有了上篇博客的理论知识，我们可以利用实现好的函数，来构建Softmax Regression分类器，在训练分类器的过程中，我们使用多分类数据作为训练数据：如图
1、利用训练数据对模型进行训练：
完整代码为：
1 # -*- coding: UTF-8 -*-
2 # date:2018/5/29
3 # User:WangHong
4 import numpy as np
5 def gradientAscent(feature_data,label_data,k,maxCycle,alpha):
6 ‘‘‘利用梯度下降法训练Softmax模型
7 :param feature_data: 特征
8 :param label_data: 标签
9 :param k: 类别个数
10 :param maxCycle: 最大迭代次数
11 :param alpha: 学习率
12 :return weights: 权重
13 ‘‘‘
14 m,n = np.shape(feature_data)
15 weights = np.mat(np.ones((n,k)))#初始化权重
16 i = 0
17 while i<=maxCycle:
18 err = np.exp(feature_data*weights)
19 if i % 500 == 0:
20 print("\t--------iter:",i,21 ",cost:",cost(err,label_data))
22 rowsum = -err.sum(axis=1)
23 rowsum = rowsum.repeat(k,axis = 1)
24 err = err/rowsum
25 for x in range(m):
26 err[x,label_data[x,0]]+=1
27 weights = weights+(alpha/m)*feature_data.T*err
28 i+=1
29 return weights
30
31 def cost(err,label_data):
32 ‘‘‘
33 :param err: exp的值
34 :param label_data: 标签的值
35 :return: 损失函数的值
36 ‘‘‘
37 m = np.shape(err)[0]
38 sum_cost = 0.0
39 for i in range(m):
40 if err[i,label_data[i,0]]/np.sum(err[i,:])>0:
41 sum_cost -=np.log(err[i,label_data[i,0]]/np.sum(err[i,:]))
42 else:
43 sum_cost -= 0
44 return sum_cost / m
45
46
47 def load_data(inputfile):
48 ‘‘‘导入训练数据
49 input: inputfile(string)训练样本的位置
50 output: feature_data(mat)特征
51 label_data(mat)标签
52 k(int)类别的个数
53 ‘‘‘
54 f = open(inputfile) # 打开文件
55 feature_data = []
56 label_data = []
57 for line in f.readlines():
58 feature_tmp = []
59 feature_tmp.append(1) # 偏置项
60 lines = line.strip().split("\t")
61 for i in range(len(lines) - 1):
62 feature_tmp.append(float(lines[i]))
63 label_data.append(int(lines[-1]))
64
65 feature_data.append(feature_tmp)
66 f.close() # 关闭文件
67 return np.mat(feature_data), np.mat(label_data).T, len(set(label_data))
68
69 def save_model(file_name, weights):
70 ‘‘‘保存最终的模型
71 input: file_name(string):保存的文件名
72 weights(mat):softmax模型
73 ‘‘‘
74 f_w = open(file_name, "w")
75 m, n = np.shape(weights)
76 for i in range(m):
77 w_tmp = []
78 for j in range(n):
79 w_tmp.append(str(weights[i, j]))
80 f_w.write("\t".join(w_tmp) + "\n")
81 f_w.close()
82
83
84 if __name__=="__main__":
85 inputfile = "SoftInput.txt"
86 #导入数据
87 print("--------------1.load data-------------")
88 feature,label,k = load_data(inputfile)
89 #训练模型
90 print("--------------2.traing----------------")
91 weights = gradientAscent(feature,label,k,5000,0.2)
92 #保存模型
93 print("--------------3.save model------------")
94 save_model("weights",weights)
训练结果为
weights文件内容
2、用训练好的模型对数据进行预测：
预测的代码：
1 # -*- coding: UTF-8 -*-
2 # date:2018/5/29
3 # User:WangHong
4 import numpy as np
5 import random as rd
6 def load_weights(weights_path):
7 ‘‘‘导入训练好的Softmax模型
8 input: weights_path(string)权重的存储位置
9 output: weights(mat)将权重存到矩阵中
10 m(int)权重的行数
11 n(int)权重的列数
12 ‘‘‘
13 f = open(weights_path)
14 w = []
15 for line in f.readlines():
16 w_tmp = []
17 lines = line.strip().split("\t")
18 for x in lines:
19 w_tmp.append(float(x))
20 w.append(w_tmp)
21 f.close()
22 weights = np.mat(w)
23 m, n = np.shape(weights)
24 return weights, m, n
25
26
27 def load_data(num, m):
28 ‘‘‘导入测试数据
29 input: num(int)生成的测试样本的个数
30 m(int)样本的维数
31 output: testDataSet(mat)生成测试样本
32 ‘‘‘
33 testDataSet = np.mat(np.ones((num, m)))
34 for i in range(num):
35 testDataSet[i, 1] = rd.random() * 6 - 3 # 随机生成[-3,3]之间的随机数
36 testDataSet[i, 2] = rd.random() * 15 # 随机生成[0,15]之间是的随机数
37 return testDataSet
38
39
40 def predict(test_data, weights):
41 ‘‘‘利用训练好的Softmax模型对测试数据进行预测
42 input: test_data(mat)测试数据的特征
43 weights(mat)模型的权重
44 output: h.argmax(axis=1)所属的类别
45 ‘‘‘
46 h = test_data * weights
47 return h.argmax(axis=1) # 获得所属的类别
48
49
50 def save_result(file_name, result):
51 ‘‘‘保存最终的预测结果
52 input: file_name(string):保存最终结果的文件名
53 result(mat):最终的预测结果
54 ‘‘‘
55 f_result = open(file_name, "w")
56 m = np.shape(result)[0]
57 for i in range(m):
58 f_result.write(str(result[i, 0]) + "\n")
59 f_result.close()
60
61
62 if __name__ == "__main__":
63 # 1、导入Softmax模型
64 print("---------- 1.load model ----------------")
65 w, m, n = load_weights("weights")
66 # 2、导入测试数据
67 print("---------- 2.load data -----------------")
68 test_data = load_data(4000, m)
69 # 3、利用训练好的Softmax模型对测试数据进行预测
70 print("---------- 3.get Prediction ------------")
71 result = predict(test_data, w)
72 # 4、保存最终的预测结果
73 print("---------- 4.save prediction ------------")
74 save_result("result", result)
预测结果;
会生成一个result文件用于存储预测结果
在本次测试中随机生成4000个样本，最终分类的结果为：
原文地址：https://www.cnblogs.com/wanshuai/p/9106413.html
时间： 2024-10-09 08:25:03