Logistic回归的使用和缺失值的处理

从疝气病预测病马的死亡率

数据集：

UCI上的数据，368个样本，28个特征

测试方法：

交叉测试

实现细节：

1.数据中因为存在缺失值所以要进行预处理，这点待会再单独谈
2.数据中本来有三个标签，这里为了简单直接将未能存活和安乐死合并了
3.代码中计算10次求均值

缺失值的处理：

一般来说有这么几种方法处理缺失值：

• 人工填写缺失值
• 使用全局变量填充缺失值
• 忽略有缺失值的样本
• 使用属性的中心度量（均值或中位数等）填充缺失值
• 使用与给定元祖同一类的所有样本的属性均值或中位数
• 使用最可能的值（需要机器学习算法推到）
  对不同的数据我们要采用不同的方法，这里考虑到我们用Logistic回归那么我们可以采用0填充，因为用0在更新weight = weight + alpha * error * dataMatrix[randIndex]的时候不会产生更新，并且sigmoid（0）=0.5，他对结果也不会产生影响。
• #coding=utf-8
  from numpy import *

  def loadDataSet():
      dataMat = []
      labelMat = []
      fr = open(‘testSet.txt’)
      for line in fr.readlines():
          lineArr = line.strip().split()
          dataMat.append([1.0, float(lineArr[0]), float(lineArr[1])])
          labelMat.append(int(lineArr[2]))
      return dataMat, labelMat
     
  def sigmoid(inX):
      return 1.0/(1+exp(-inX))
     
  def stocGradAscent1(dataMatrix, classLabels, numIter=150):
      m,n = shape(dataMatrix)
     
      #alpha = 0.001
      weight = ones(n)
      for j in range(numIter):
          dataIndex = range(m)
          for i in range(m):
              alpha = 4/ (1.0+j+i) +0.01
              randIndex = int(random.uniform(0,len(dataIndex)))
              h = sigmoid(sum(dataMatrix[randIndex]*weight))
              error = classLabels[randIndex] – h
              weight = weight + alpha * error * dataMatrix[randIndex]
              del(dataIndex[randIndex])
      return weight

  def classifyVector(inX, weights):
      prob = sigmoid(sum(inX*weights))
      if prob > 0.5: return 1.0
      else: return 0.0

  def colicTest():
      frTrain = open(‘horseColicTraining.txt’); frTest = open(‘horseColicTest.txt’)
      trainingSet = []; trainingLabels = []
      for line in frTrain.readlines():
          currLine = line.strip().split(‘t’)
          lineArr =[]
          for i in range(21):
              lineArr.append(float(currLine[i]))
          trainingSet.append(lineArr)
          trainingLabels.append(float(currLine[21]))
      trainWeights = stocGradAscent1(array(trainingSet), trainingLabels, 1000)
      errorCount = 0; numTestVec = 0.0
      for line in frTest.readlines():
          numTestVec += 1.0
          currLine = line.strip().split(‘t’)
          lineArr =[]
          for i in range(21):
              lineArr.append(float(currLine[i]))
          if int(classifyVector(array(lineArr), trainWeights))!= int(currLine[21]):
              errorCount += 1
      errorRate = (float(errorCount)/numTestVec)
      print “the error rate of this test is: %f” % errorRate
      return errorRate

  def multiTest():
      numTests = 10; errorSum=0.0
      for k in range(numTests):
          errorSum += colicTest()
      print “after %d iterations the average error rate is: %f” % (numTests, errorSum/float(numTests))
             
  def main():
      multiTest()
     
  if __name__ == ‘__main__’:
      main()