2.2、Softmax Regression算法实践

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：

 # -*- coding: UTF- -*-
 # date://
 # User:WangHong
 import numpy as np
 def gradientAscent(feature_data,label_data,k,maxCycle,alpha):
     '''利用梯度下降法训练Softmax模型
     :param feature_data: 特征
     :param label_data: 标签
     :param k: 类别个数
     :param maxCycle: 最大迭代次数
     :param alpha: 学习率
     :return weights: 权重
     '''
     m,n = np.shape(feature_data)
     weights = np.mat(np.ones((n,k)))#初始化权重
     i =
     while i<=maxCycle:
         err = np.exp(feature_data*weights)
         if i %  == :
             print("\t--------iter:",i,\
                   ",cost:",cost(err,label_data))
         rowsum = -err.sum(axis=)
         rowsum = rowsum.repeat(k,axis = )
         err = err/rowsum
         for x in range(m):
             err[x,label_data[x,]]+=
         weights = weights+(alpha/m)*feature_data.T*err
         i+=
     return  weights

 def cost(err,label_data):
     '''
     :param err: exp的值
     :param label_data: 标签的值
     :return: 损失函数的值
     '''
     m = np.shape(err)[]
     sum_cost = 0.0
     for i in range(m):
         if err[i,label_data[i,]]/np.sum(err[i,:])>:
             sum_cost -=np.log(err[i,label_data[i,]]/np.sum(err[i,:]))
         else:
             sum_cost -=
     return sum_cost / m

 def load_data(inputfile):
     '''导入训练数据
     input:  inputfile(string)训练样本的位置
     output: feature_data(mat)特征
             label_data(mat)标签
             k(int)类别的个数
     '''
     f = open(inputfile)  # 打开文件
     feature_data = []
     label_data = []
     for line in f.readlines():
         feature_tmp = []
         feature_tmp.append()  # 偏置项
         lines = line.strip().split("\t")
         for i in range(len(lines) - ):
             feature_tmp.append(float(lines[i]))
         label_data.append(int(lines[-]))

         feature_data.append(feature_tmp)
     f.close()  # 关闭文件
     return np.mat(feature_data), np.mat(label_data).T, len(set(label_data))

 def save_model(file_name, weights):
     '''保存最终的模型
     input:  file_name(string):保存的文件名
             weights(mat):softmax模型
     '''
     f_w = open(file_name, "w")
     m, n = np.shape(weights)
     for i in range(m):
         w_tmp = []
         for j in range(n):
             w_tmp.append(str(weights[i, j]))
         f_w.write("\t".join(w_tmp) + "\n")
     f_w.close()

 if __name__=="__main__":
     inputfile = "SoftInput.txt"
     #导入数据
     print("--------------1.load data-------------")
     feature,label,k = load_data(inputfile)
     #训练模型
     print("--------------2.traing----------------")
     weights = gradientAscent(feature,label,k,,0.2)
     #保存模型
     print("--------------3.save model------------")
     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：

 # -*- coding: UTF-8 -*-
 # date:2018/5/29
 # User:WangHong
 import numpy as np
 import random as rd
 def load_weights(weights_path):
     '''导入训练好的Softmax模型
     input:  weights_path(string)权重的存储位置
     output: weights(mat)将权重存到矩阵中
             m(int)权重的行数
             n(int)权重的列数
     '''
     f = open(weights_path)
     w = []
     for line in f.readlines():
         w_tmp = []
         lines = line.strip().split("\t")
         for x in lines:
             w_tmp.append(float(x))
         w.append(w_tmp)
     f.close()
     weights = np.mat(w)
     m, n = np.shape(weights)
     return weights, m, n

 def load_data(num, m):
     '''导入测试数据
     input:  num(int)生成的测试样本的个数
             m(int)样本的维数
     output: testDataSet(mat)生成测试样本
     '''
     testDataSet = np.mat(np.ones((num, m)))
     for i in range(num):
         testDataSet[i, 1] = rd.random() * 6 - 3  # 随机生成[-3,3]之间的随机数
         testDataSet[i, 2] = rd.random() * 15  # 随机生成[0,15]之间是的随机数
     return testDataSet

 def predict(test_data, weights):
     '''利用训练好的Softmax模型对测试数据进行预测
     input:  test_data(mat)测试数据的特征
             weights(mat)模型的权重
     output: h.argmax(axis=1)所属的类别
     '''
     h = test_data * weights
     return h.argmax(axis=1)  # 获得所属的类别

 def save_result(file_name, result):
     '''保存最终的预测结果
     input:  file_name(string):保存最终结果的文件名
             result(mat):最终的预测结果
     '''
     f_result = open(file_name, "w")
     m = np.shape(result)[0]
     for i in range(m):
         f_result.write(str(result[i, 0]) + "\n")
     f_result.close()

 if __name__ == "__main__":
     # 1、导入Softmax模型
     print("---------- 1.load model ----------------")
     w, m, n = load_weights("weights")
     # 2、导入测试数据
     print("---------- 2.load data -----------------")
     test_data = load_data(4000, m)
     # 3、利用训练好的Softmax模型对测试数据进行预测
     print("---------- 3.get Prediction ------------")
     result = predict(test_data, w)
     # 4、保存最终的预测结果
     print("---------- 4.save prediction ------------")
     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：