Java 类名：com.alibaba.alink.operator.batch.classification.LogisticRegressionTrainBatchOp
Python 类名：LogisticRegressionTrainBatchOp

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 | ✓ | | |

| 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[] | | 所选列类型为 [BIGDECIMAL, BIGINTEGER, BYTE, DOUBLE, FLOAT, INTEGER, LONG, SHORT] | 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 |

| 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 |

| 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 | | 所选列类型为 [DENSE_VECTOR, SPARSE_VECTOR, STRING, VECTOR] | 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 |

代码示例

Python 代码

  1. from pyalink.alink import *
  3. import pandas as pd
  5. useLocalEnv(1)
  7. df_data = pd.DataFrame([
  8.     [2, 1, 1],
  9.     [3, 2, 1],
  10.     [4, 3, 2],
  11.     [2, 4, 1],
  12.     [2, 2, 1],
  13.     [4, 3, 2],
  14.     [1, 2, 1],
  15.     [5, 3, 2]
  16. ])
  18. input = BatchOperator.fromDataframe(df_data, schemaStr='f0 int, f1 int, label int')
  20. # load data
  21. dataTest = input
  22. colnames = ["f0","f1"]
  23. lr = LogisticRegressionTrainBatchOp().setFeatureCols(colnames).setLabelCol("label")
  24. model = input.link(lr)
  26. predictor = LogisticRegressionPredictBatchOp().setPredictionCol("pred")
  27. predictor.linkFrom(model, dataTest).print()

Java 代码

  1. import org.apache.flink.types.Row;
  3. import com.alibaba.alink.operator.batch.BatchOperator;
  4. import com.alibaba.alink.operator.batch.classification.LogisticRegressionPredictBatchOp;
  5. import com.alibaba.alink.operator.batch.classification.LogisticRegressionTrainBatchOp;
  6. import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
  7. import org.junit.Test;
  9. import java.util.Arrays;
  10. import java.util.List;
  12. public class LogisticRegressionTrainBatchOpTest {
  13.     @Test
  14.     public void testLogisticRegressionTrainBatchOp() throws Exception {
  15.         List <Row> df_data = Arrays.asList(
  16.             Row.of(2, 1, 1),
  17.             Row.of(3, 2, 1),
  18.             Row.of(4, 3, 2),
  19.             Row.of(2, 4, 1),
  20.             Row.of(2, 2, 1),
  21.             Row.of(4, 3, 2),
  22.             Row.of(1, 2, 1),
  23.             Row.of(5, 3, 2)
  24.         );
  25.         BatchOperator <?> input = new MemSourceBatchOp(df_data, "f0 int, f1 int, label int");
  26.         BatchOperator dataTest = input;
  27.         BatchOperator <?> lr = new LogisticRegressionTrainBatchOp().setFeatureCols("f0", "f1").setLabelCol("label");
  28.         BatchOperator model = input.link(lr);
  29.         BatchOperator <?> predictor = new LogisticRegressionPredictBatchOp().setPredictionCol("pred");
  30.         predictor.linkFrom(model, dataTest).print();
  31.     }
  32. }

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 |

备注

  1. 该组件的输入为训练数据，输出为逻辑回归模型。
  2. 参数数据库的使用方式可以覆盖多个参数的使用方式。