-
Notifications
You must be signed in to change notification settings - Fork 31
/
logisticRegressionMain.py
66 lines (55 loc) · 1.94 KB
/
logisticRegressionMain.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
# -*- coding: utf-8 -*-
import numpy as np
import logisticRegression as lr
import data
#-------------------
# 1. データの作成
myData = data.classification(negLabel=0,posLabel=1)
myData.makeData(dataType=1)
#-------------------
#-------------------
# 2. データを学習と評価用に分割
dtrNum = int(len(myData.X)*0.9) # 学習データ数
# 学習データ(全体の90%)
Xtr = myData.X[:dtrNum]
Ytr = myData.Y[:dtrNum]
# 評価データ(全体の10%)
Xte = myData.X[dtrNum:]
Yte = myData.Y[dtrNum:]
#-------------------
#-------------------
# 3. 入力データの標準化
xMean = np.mean(Xtr,axis=0)
xStd = np.std(Xtr,axis=0)
Xtr = (Xtr-xMean)/xStd
Xte = (Xte-xMean)/xStd
#-------------------
#-------------------
# 4. ロジスティックモデルの学習と評価
myModel = lr.logisticRegression(Xtr,Ytr)
trLoss = []
teLoss = []
for ite in range(1001):
trLoss.append(myModel.CE(Xtr,Ytr))
teLoss.append(myModel.CE(Xte,Yte))
if ite%100==0:
print(f"反復:{ite}")
print(f"モデルパラメータ:\nw={myModel.w},\nb={myModel.b}")
print(f"平均交差エントロピー損失={myModel.CE(Xte,Yte):.2f}")
print(f"正解率={myModel.accuracy(Xte,Yte):.2f}")
print("----------------")
# モデルパラメータの更新
myModel.update(alpha=1)
#-------------------
#-------------------
# 5. 真値と予測値のプロット
if Xtr.shape[1] == 1:
myModel.plotModel1D(X=Xtr,Y=Ytr,xLabel=myData.xLabel,yLabel=myData.yLabel,fName=f"../results/logistic_result_train_{myData.dataType}.pdf")
elif Xtr.shape[1] == 2:
myModel.plotModel2D(X=Xtr,Y=Ytr,xLabel=myData.xLabel,yLabel=myData.yLabel,fName=f"../results/logistic_result_train_{myData.dataType}.pdf")
#-------------------
#-------------------
# 6. 学習と評価損失のプロット
myModel.plotEval(trLoss,teLoss,fName=f"../results/logistic_CE_{myData.dataType}.pdf")
#myModel.plotLoss(trLoss,teLoss)
#-------------------