3

我正在尝试从头开始编写逻辑回归。在这段代码中，我认为我的成本导数是我的正则化，但我的任务是添加 L1norm 正则化。你如何在python中添加这个？是否应该在我定义了成本导数的地方添加它？感谢您在正确方向上的任何帮助。

def Sigmoid(z):
    return 1/(1 + np.exp(-z))

def Hypothesis(theta, X):   
    return Sigmoid(X @ theta)

def Cost_Function(X,Y,theta,m):
    hi = Hypothesis(theta, X)
    _y = Y.reshape(-1, 1)
    J = 1/float(m) * np.sum(-_y * np.log(hi) - (1-_y) * np.log(1-hi))
    return J

def Cost_Function_Derivative(X,Y,theta,m,alpha):
    hi = Hypothesis(theta,X)
    _y = Y.reshape(-1, 1)
    J = alpha/float(m) * X.T @ (hi - _y)
    return J

def Gradient_Descent(X,Y,theta,m,alpha):
    new_theta = theta - Cost_Function_Derivative(X,Y,theta,m,alpha)
    return new_theta

def Accuracy(theta):
    correct = 0
    length = len(X_test)
    prediction = (Hypothesis(theta, X_test) > 0.5) 
    _y = Y_test.reshape(-1, 1)
    correct = prediction == _y
    my_accuracy = (np.sum(correct) / length)*100
    print ('LR Accuracy: ', my_accuracy, "%")

def Logistic_Regression(X,Y,alpha,theta,num_iters):
    m = len(Y)
    for x in range(num_iters):
        new_theta = Gradient_Descent(X,Y,theta,m,alpha)
        theta = new_theta
        if x % 100 == 0:
            print #('theta: ', theta)    
            print #('cost: ', Cost_Function(X,Y,theta,m))
    Accuracy(theta)
ep = .012 
initial_theta = np.random.rand(X_train.shape[1],1) * 2 * ep - ep
alpha = 0.5
iterations = 10000
Logistic_Regression(X_train,Y_train,alpha,initial_theta,iterations)
4

1 回答 1

2

正则化在成本函数中添加了一项，以便在最小化成本和最小化模型参数之间进行折衷以减少过度拟合。你可以通过为正则化项添加一个标量来控制你想要多少妥协e。

所以只需将 theta 的 L1 范数添加到原始成本函数中：

J = J + e * np.sum(abs(theta))

既然这一项是加在代价函数中的，那么在计算代价函数的梯度时就应该考虑到它。

这很简单，因为和的导数是导数的和。所以现在只需要弄清楚这个词的派生词是什么sum(abs(theta))。因为它是一个线性项，所以导数是常数。如果 theta >= 0，则为 = 1，如果 theta < 0，则为 -1（请注意，在 0 处存在数学不确定性，但我们不在乎）。

所以在函数中Cost_Function_Derivative我们添加：

J = J + alpha * e * (theta >= 0).astype(float)
于 2018-02-14T08:50:42.487 回答