python-classfiction，,1.概述：　　对于一

python-classfiction，,1.概述：　　对于一

1.概述：　　

对于一些结果较单一的离散数值，机器学习的分类器是一个不错的选择。例如，我们预测一封邮件是否为垃圾邮寄的时候，可以分析该邮件的相关的特征得出“0，1”的结果，从而分析得到该邮件的最终属性。2特点

2.1变形

分类器与线性回归相似，可以通过对数变形得到。

　　将线性函数引申成为“0，1”，通过辅助函数：

　　　　　　注：z值变为线性回归方程

　　　　　　　　当z值大于0时，g取值倾向于1；当z小于0时，函数值趋向于0

　　　g函数图像：

2.2代价函数（cost function）:

　　　　　　函数绘图：

　　　　　　　　　　　　 当y为1时　 　　　　　　　　　　　　　　　当y为0时

　　　　　　　可知：当y=1时，结果越接近0，当y=1时，代价函数的值接近为0。别且注意函数的斜率，横坐标为线性函数。

2.3如何确定线性函数的thea(n):

　　　　　通过梯度下降算法：当thea的值趋近于平缓，便接近收敛

　　　　　"BFGS", and "L-BFGS"：该种方法不用进行步长的给予，能够更快地收敛。并且octave里面有内置函数。

3.举例

情感分类器也是如此，以cousera上的亚马逊商品评价为例，通过提取评价中的字数，小于三星是差评，大于则是好评，通过模型求解，获得商品评价的线性结果。

import graphlabproducts = graphlab.SFrame(‘amazon_baby.gl/‘)products[‘word_count‘] = graphlab.text_analytics.count_words(products[‘review‘])giraffe_reviews = products[products[‘name‘] == ‘Vulli Sophie the Giraffe Teether‘]products = products[products[‘rating‘]!=3]products[‘sentiment‘] = products[‘rating‘] >= 4print(products.head())#train sentiment classifiertrain_data,test_data = products.random_split(.8, seed=0)#logistic_classfiersentiment_model = graphlab.logistic_classifier.create(train_data,                                                       target=‘sentiment‘,                                                       features=[‘word_count‘],                                                       validation_set=test_data)sentiment_model.evaluate(test_data, metric=‘roc_curve‘)

sentiment_model.show(view=‘Evaluaion‘)

  giraffe_reviews[‘predict_sentiment‘] = sentiment_model.predict(giraffe_reviews,output_type=‘probability‘) #paixu giraffe_reviews = giraffe_reviews.sort(‘predict_sentiment‘) print(giraffe_reviews[1])

python-classfiction