最优化方法Python计算：无约束优化应用——线性回归分类器

一、线性回归分类器

假设样本数据为 $({\mathbf{x}}_i,y_i)$，其中 $i=1,2,\dots ,m$。标签 $y_i$ 取值于 $k$ 个整数 { 1 , 2 , … , k } \{1, 2, \dots, k\} {1,2,…,k}，从而构成一个 $k$-分类问题。线性回归分类器与线性回归预测器的测试评估指标不同，当我们用训练数据得到模型参数 ${\mathbf{w}}_0$ 后，可以利用测试数据集评估模型性能。设测试数据集为 $\{({\mathbf{x}}_i,y_i)|i=1,2,\cdots ,m\}$，其中 ${\mathbf{x}}_i$ 为特征向量，$y_i$ 为真实标签。定义测试数据矩阵：
$${\mathbf{X}}_{test}=\left(\begin{array}{cc}{\mathbf{x}}_1^{\top }& 1\\ {\mathbf{x}}_2^{\top }& 1\\ ⋮& ⋮\\ {\mathbf{x}}_m^{\top }& 1\end{array}\right),{\mathbf{Y}}_{test}=\left(\begin{array}{c}{y}_1\\ y_2\\ ⋮\\ y_m\end{array}\right),$$
其中，${\mathbf{X}}_{test}$ 的最后一列全为 1，用于引入偏置项。用线性回归方法计算预测值：
$$\left(\begin{array}{c}{y}_1^{\prime }\\ y_2^{\prime }\\ ⋮\\ y_m^{\prime }\end{array}\right)={\mathbf{Y}}^{\prime }=\text{round}({\mathbf{X}}_{test}{\mathbf{w}}_0).$$
其中，$\text{round}(\cdot )$ 表示逐元素取整操作。
设 $m^{\prime }$ 为${\mathbf{Y}}_{test}$与${\mathbf{Y}}^{\prime }$中$y_i=y_i^{\prime }$，$i=1,2,\cdots ,m$的个数（即预测值与真实标签值相等的样本数），则测试评估指标定义为准确率:
$$\text{score}=\frac{m^{\prime }}{m}\times 100\%.$$
其中，$m$ 为测试样本总数。准确率反映了模型预测正确的比例。下列代码实现线性回归分类器。

import numpy as np
class Classification():					#分类模型def score(self, x, y):				#测试函数return np.mean(self.predict(x) == y)
class LinearClassifier(Classification,LineModel):	#线性分类模型def __init__(self):self.tagVal=np.round

程序中

• 第2~4行定义了用于表示分类模型的Classification。其中，第3~4行定义了分类器的测试函数score。第4行调用predict函数对表示特征数据的参数x计算预测值并于表示标签数据的参数y比较，算得相等即预测正确的均值，计算正确率并返回。
• 第5~7行将线性分类模型类LinearClassifier定义成Classification和LineModel（见博文《最优化方法Python计算：无约束优化应用——线性回归模型》）的子类。该类拥有其两个父类Classification和LineModel的所有数据和方法。其中，第6~7行定义的构造函数将tagVal函数设置为Numpy的舍入函数round，使得预测值
  $$\text{self.tagVal(yp * (self.ymax - self.ymin) + self.ymin)}$$
  （见博文《最优化方法Python计算：无约束优化应用——线性回归模型》中predict函数的定义）

二、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LinearRegressor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(1248)
train = np.random.choice(a,m//3,replace=False)		#50个随机下标
test = np.setdiff1d(a,train)						#测试数据下标
iris = LinearRegressor()							#创建模型
print('随机抽取%d个样本作为训练数据。'%(m//3))
iris.fit(X[train],Y[train])							#训练模型
accuracy = iris.score(X[test],Y[test])				#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
9次迭代后完成训练。
对其余100个数据测试，分类正确率为100.00%

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！

写博不易，敬请支持：
如果阅读本文于您有所获，敬请点赞、评论、收藏，谢谢大家的支持！