Java 类名:com.alibaba.alink.pipeline.classification.LogisticRegression
Python 类名:LogisticRegression

功能介绍

逻辑回归算法是经典的二分类算法,通过对打标签样本集合训练得到模型,使用模型预测样本的标签。逻辑回归组件支持稀疏、稠密两种数据格式。

算法原理

面对二分类问题,建立代价函数,然后通过优化方法迭代求解出最优的模型参数,然后测试验证我们这个求解的模型的好坏。Logistic回归虽然名字里带“回归”,
但是它实际上是一种分类方法,主要用于二分类问题(即输出只有两种,分别代表两个类别)回归模型中,y是一个定性变量,比如y=0或1,
logistic方法主要应用于研究某些事件发生的概率。

算法使用

常用于数据挖掘,疾病自动诊断,经济预测等领域。例如,探讨引发疾病的危险因素,并根据危险因素预测疾病发生的概率等。以心脏病病情分析为例,选择两组人群,
一组是心脏病组,一组是非心脏病组,两组人群必定具有不同的属性及身体指标。因此因变量就为是否有心脏病,值为“是”或“否”,自变量就可以包括很多了,
如年龄、性别、最大心跳数、血压、胆固醇、空腹血糖等。自变量既可以是连续的,也可以是分类的。然后通过logistic回归分析,可以得到自变量的权重,
从而可以大致了解到底哪些因素是心脏病的危险因素。同时根据该权值可以根据危险因素预测一个人心脏病的可能性。

  • 备注 :该组件训练的时候 FeatureCols 和 VectorCol 是两个互斥参数,只能有一个参数来描述算法的输入特征。

    文献或出处

    [1] Wright, R. E. (1995). Logistic regression. In L. G. Grimm & P. R. Yarnold (Eds.), Reading and understanding multivariate statistics (pp. 217–244). American Psychological Association.
    [2] https://baike.baidu.com/item/logistic回归

    参数说明

名称 中文名称 描述 类型 是否必须? 取值范围 默认值
labelCol 标签列名 输入表中的标签列名 String
predictionCol 预测结果列名 预测结果列名 String
epsilon 收敛阈值 迭代方法的终止判断阈值,默认值为 1.0e-6 Double [0.0, +inf) 1.0E-6
featureCols 特征列名数组 特征列名数组,默认全选 String[] null
l1 L1 正则化系数 L1 正则化系数,默认为0。 Double [0.0, +inf) 0.0
l2 正则化系数 L2 正则化系数,默认为0。 Double [0.0, +inf) 0.0
maxIter 最大迭代步数 最大迭代步数,默认为 100 Integer [1, +inf) 100
modelFilePath 模型的文件路径 模型的文件路径 String null
optimMethod 优化方法 优化问题求解时选择的优化方法 String “LBFGS”, “GD”, “Newton”, “SGD”, “OWLQN” null
overwriteSink 是否覆写已有数据 是否覆写已有数据 Boolean false
predictionDetailCol 预测详细信息列名 预测详细信息列名 String
reservedCols 算法保留列名 算法保留列 String[] null
standardization 是否正则化 是否对训练数据做正则化,默认true Boolean true
vectorCol 向量列名 向量列对应的列名,默认值是null String null
weightCol 权重列名 权重列对应的列名 String 所选列类型为 [BIGDECIMAL, BIGINTEGER, BYTE, DOUBLE, FLOAT, INTEGER, LONG, SHORT] null
withIntercept 是否有常数项 是否有常数项,默认true Boolean true
numThreads 组件多线程线程个数 组件多线程线程个数 Integer 1
modelStreamFilePath 模型流的文件路径 模型流的文件路径 String null
modelStreamScanInterval 扫描模型路径的时间间隔 描模型路径的时间间隔,单位秒 Integer 10
modelStreamStartTime 模型流的起始时间 模型流的起始时间。默认从当前时刻开始读。使用yyyy-mm-dd hh:mm:ss.fffffffff格式,详见Timestamp.valueOf(String s) String null

代码示例

Python 代码

  1. from pyalink.alink import *
  2. import pandas as pd
  3. useLocalEnv(1)
  4. df_data = pd.DataFrame([
  5. [2, 1, 1],
  6. [3, 2, 1],
  7. [4, 3, 2],
  8. [2, 4, 1],
  9. [2, 2, 1],
  10. [4, 3, 2],
  11. [1, 2, 1],
  12. [5, 3, 2]
  13. ])
  14. batchData = BatchOperator.fromDataframe(df_data, schemaStr='f0 int, f1 int, label int')
  15. colnames = ["f0","f1"]
  16. lr = LogisticRegression().setFeatureCols(colnames).setLabelCol("label").setPredictionCol("pred")
  17. model = lr.fit(batchData)
  18. model.transform(batchData).print()

Java 代码

  1. import org.apache.flink.types.Row;
  2. import com.alibaba.alink.operator.batch.BatchOperator;
  3. import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
  4. import com.alibaba.alink.pipeline.classification.LogisticRegression;
  5. import org.junit.Test;
  6. import java.util.Arrays;
  7. import java.util.List;
  8. public class LogisticRegressionTest {
  9. @Test
  10. public void testLogisticRegression() throws Exception {
  11. List <Row> df_data = Arrays.asList(
  12. Row.of(2, 1, 1),
  13. Row.of(3, 2, 1),
  14. Row.of(4, 3, 2),
  15. Row.of(2, 4, 1),
  16. Row.of(2, 2, 1),
  17. Row.of(4, 3, 2),
  18. Row.of(1, 2, 1),
  19. Row.of(5, 3, 2)
  20. );
  21. BatchOperator <?> batchData = new MemSourceBatchOp(df_data, "f0 int, f1 int, label int");
  22. LogisticRegression lr = new LogisticRegression().setFeatureCols("f0", "f1").setLabelCol("label")
  23. .setPredictionCol("pred");
  24. lr.fit(batchData)
  25. .transform(batchData)
  26. .print();
  27. }
  28. }

运行结果

f0 f1 label pred
2 1 1 1
3 2 1 1
4 3 2 2
2 4 1 1
2 2 1 1
4 3 2 2
1 2 1 1
5 3 2 2