softmax 분류 기 python 구현

전환 하 다http://blog.csdn.net/wds2006sdo/article/details/53699778?utm_source=itdadao&utm_medium = referral 알고리즘
알고리즘 은 앤 드 류 의 과제 와 이 글 을 참고 했다.구체 적 으로 실현 되 었 을 때 가중치 감쇠 효과 가 더 좋 은 것 으로 나 타 났 다.
여기 서 여러분 이 제 프로그램 을 이해 하지 못 하 는 것 을 방지 하기 위해 서 제 가 여기 서 정 의 를 내 리 겠 습 니 다.
∇ΘjJ(Θ)=−x(i)(1{y(i)=j}−p(y(i)=j|x(i);Θ))+λΘj(1) p(y(i)=j|x(i);Θ)=eΘTjx(i)∑kl=1eΘTlx(i)(2) eΘTlx(i)(3)
데이터 세트
데이터 세트 와 KNN 의 그 박문 은 같은 데이터 세트 를 사용 합 니 다. 데이터 주소:https://github.com/WenDesi/lihang_book_algorithm/blob/master/data/train.csv
특징.
전체 그림 을 특징 으로 하 다.
코드
코드 가 GitHub 에 업로드 되 었 습 니 다.
이번 코드 는 python 3 입 니 다.

# encoding=utf8

import math
import pandas as pd
import numpy as np
import random
import time

from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score


class Softmax(object):

    def __init__(self):
        self.learning_step = 0.000001           #     
        self.max_iteration = 100000             #       
        self.weight_lambda = 0.01               #     

    def cal_e(self,x,l):
        '''
                3
        '''

        theta_l = self.w[l]
        product = np.dot(theta_l,x)

        return math.exp(product)

    def cal_probability(self,x,j):
        '''
                2
        '''

        molecule = self.cal_e(x,j)
        denominator = sum([self.cal_e(x,i) for i in range(self.k)])

        return molecule/denominator


    def cal_partial_derivative(self,x,y,j):
        '''
                1
        '''

        first = int(y==j)                           #       
        second = self.cal_probability(x,j)          #         

        return -x*(first-second) + self.weight_lambda*self.w[j]

    def predict_(self, x):
        result = np.dot(self.w,x)
        row, column = result.shape

        #         
        _positon = np.argmax(result)
        m, n = divmod(_positon, column)

        return m

    def train(self, features, labels):
        self.k = len(set(labels))

        self.w = np.zeros((self.k,len(features[0])+1))
        time = 0

        while time < self.max_iteration:
            print('loop %d' % time)
            time += 1
            index = random.randint(0, len(labels) - 1)

            x = features[index]
            y = labels[index]

            x = list(x)
            x.append(1.0)
            x = np.array(x)

            derivatives = [self.cal_partial_derivative(x,y,j) for j in range(self.k)]

            for j in range(self.k):
                self.w[j] -= self.learning_step * derivatives[j]

    def predict(self,features):
        labels = []
        for feature in features:
            x = list(feature)
            x.append(1)

            x = np.matrix(x)
            x = np.transpose(x)

            labels.append(self.predict_(x))
        return labels


if __name__ == '__main__':

    print('Start read data')

    time_1 = time.time()

    raw_data = pd.read_csv('../data/train.csv', header=0)
    data = raw_data.values

    imgs = data[0::, 1::]
    labels = data[::, 0]

    #    2/3        ， 1/3        
    train_features, test_features, train_labels, test_labels = train_test_split(
        imgs, labels, test_size=0.33, random_state=23323)
    # print train_features.shape
    # print train_features.shape

    time_2 = time.time()
    print('read data cost '+ str(time_2 - time_1)+' second')

    print('Start training')
    p = Softmax()
    p.train(train_features, train_labels)

    time_3 = time.time()
    print('training cost '+ str(time_3 - time_2)+' second')

    print('Start predicting')
    test_predict = p.predict(test_features)
    time_4 = time.time()
    print('predicting cost ' + str(time_4 - time_3) +' second')

    score = accuracy_score(test_labels, test_predict)
    print("The accruacy socre is " + str(score))