6.逻辑斯蒂模型

逻辑斯蒂模型 用来解决分类问题。

如果第5节的问题是 是否通过，则是一个二分类问题。

得到的输出是通过考试的概率P。概率P在0到1之间。

原来的线性模型输出范围是R （实数），通过逻辑斯蒂函数可以将原来的输出映射到[0,1]范围内。

将线性模型改成逻辑斯蒂模型只要改两处，模型加上sigmod()和损失函数改成BCELoss

完整代码：

import torch
import  torch.nn.functional as F
import numpy as np
import matplotlib.pyplot as plt

# 1.准备数据，注意都是矩阵形式
x_data = torch.Tensor([[1.0], [2.0], [3.0]])
y_data = torch.Tensor([[0], [0], [1]])


# 2.设计模型（类） 继承nn.Module 以便使用其方法
class LogisticRegressionModel(torch.nn.Module):
    # 初始化
    def __init__(self):
        super(LogisticRegressionModel, self).__init__()
        self.linear = torch.nn.Linear(1, 1)  # Linear是一个线性单元

    # 前馈方法
    def forward(self, x):
        y_pred = F.sigmoid(self.linear(x))  # 实际上调用对象linear的__call__()方法，linear的__call__()方法执行forward前馈
        return y_pred


model = LogisticRegressionModel()

# 3 loss 和 optimizer(优化器)
criterion = torch.nn.BCELoss(size_average=False)  # 不需要求均值
# 优化器。 model.parameters()获取模型中需要优化的参数，lr（learning rate，学习率）
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

# 4 训练过程
for epoch in range(1000):
    # 前馈
    y_pred = model(x_data)
    # 计算损失
    loss = criterion(y_pred, y_data)
    print("epoch={},loss={}".format(epoch, loss))

    optimizer.zero_grad()  # 归零
    # 反向传播
    loss.backward()
    # 更新、优化参数
    optimizer.step()

# Test, 查看模型参数及测试训练效果
x_test = torch.Tensor([[4.0]])
y_test = model(x_test)
print('y_pred = {} for x = {}'.format(y_test.data, x_test.data))

#绘图
x = np.linspace(0,10,200)
x_t = torch.Tensor(x).view((200, 1))
y_t = model(x_t)
y = y_t.data.numpy()
plt.plot(x, y)
plt.plot([0,10], [.5,.5], c='r')
plt.xlabel('Hours')
plt.ylabel('Probability of Pass')
plt.grid()
plt.show()