含义

和线性回归不同，逻辑回归解决的是分类问题，会输出一个介于 0 到 1 之间（不包括 0 和 1）的概率值(非线性变化)

操作步骤

  • 加载二分类数据集
  • 定义模型结构：带有激活函数(产生非线性变化)的单个神经元
  • 训练模型并预测

举例

预测输入值[x,y]的属于哪个分类的概率

  1. import * as tf from '@tensorflow/tfjs'
  2. import { callbacks } from '@tensorflow/tfjs'
  3. import * as tfvis from '@tensorflow/tfjs-vis'
  4. import { getData } from './data' // 二分类数据集生成
  5. window.onload = async () => {
  6.     const data = getData(400)
  7.     // 可视化数据集
  8.     tfvis.render.scatterplot({
  9.         name: '逻辑回归训练数据'
  10.     },{
  11.         values: [
  12.             data.filter(p => p.label === 1), // 分类为1 的数组
  13.             data.filter(p => p.label === 0)  // 分类为0 的数组
  14.         ] // 这里是嵌套数组，来渲染不同颜色的点
  15.     })
  16.     // 定义模型：带有激活函数的单个神经元
  17.     // 1、初始化模型
  18.     const model = tf.sequential()
  19.     // 2、添加层, 并设计层的神经元个数、inputShape、激活函数
  20.     model.add(tf.layers.dense({
  21.         units: 1,
  22.         inputShape: [2], // 长度为2的一纬数组 (x, y)
  23.         activation: 'sigmoid' // S状弯曲
  24.     }))
  26.     // 训练数据
  27.     // 1、将训练数据转化成tensor
  28.     // 2、训练模型
  29.     // 3、可视化训练过程
  30.     model.compile({
  31.         loss: tf.losses.logLoss,
  32.         optimizer: tf.train.adam(0.1)
  33.     })
  34.     const inputs = tf.tensor(data.map((p)=> [p.x, p.y])); // 特征数量为二的转成tensor
  35.     const label = tf.tensor(data.map((p)=> p.label)) // 输出分类值
  36.     await model.fit(
  37.         inputs, 
  38.         label, {
  39.             batchSize: 40,
  40.             epochs: 20,
  41.             callbacks: tfvis.show.fitCallbacks({
  42.                 name: '训练过程'
  43.             }, ['loss'])
  44.         })
  45.     window.predict = (form) => {
  46.         const pred = model.predict(tf.tensor([[form.x.value*1, form.y.value*1]])) // * 1转化成数字
  47.         alert(`预测结果${pred.dataSync()[0]}`)
  48.     }
  49. }

二分类数据集生成

正态分布算法

  1. export function getData(numSamples) {
  2.     let points = [];
  4.     function genGauss(cx, cy, label) {
  5.       for (let i = 0; i < numSamples / 2; i++) {
  6.         let x = normalRandom(cx);
  7.         let y = normalRandom(cy);
  8.         // label 分类类别
  9.         points.push({ x, y, label });
  10.       }
  11.     }
  13.     genGauss(2, 2, 1);
  14.     genGauss(-2, -2, 0);
  15.     return points;
  16.   }
  18.   /** 生成正态分布的随机数
  19.    * Samples from a normal distribution. Uses the seedrandom library as the
  20.    * random generator.
  21.    *
  22.    * @param mean The mean. Default is 0.
  23.    * @param variance The variance. Default is 1.
  24.    */
  25.   function normalRandom(mean = 0, variance = 1) {
  26.     let v1, v2, s;
  27.     do {
  28.       v1 = 2 * Math.random() - 1;
  29.       v2 = 2 * Math.random() - 1;
  30.       s = v1 * v1 + v2 * v2;
  31.     } while (s > 1);
  33.     let result = Math.sqrt(-2 * Math.log(s) / s) * v1;
  34.     return mean + Math.sqrt(variance) * result;
  35.   }