逻辑回归简介

image

加载二分类数据集

1
2
3
//利用脚本生成400组二分类数据
const data = getData(400);
console.log(data);

image

1
2
3
4
5
6
7
8
9
10
//可视化为散点图
tfvis.render.scatterplot(
{name:'二分类逻辑回归 训练数据'},
{
values:[
data.filter(p=>p.label === 1),
data.filter(p=>p.label === 0),
]
}
)

image

定义模型结构:带有激活函数的单个神经元

1
2
//添加一个sequential神经网络模型
const model = tf.sequential();
1
2
3
4
5
6
//为模型添加一个 dense全链接层(点乘 偏置 激活函数 适合用于二分类回归)
model.add(tf.layers.dense({
units:1, //神经元个数
inputShape:[2], //输入的tensor的shape:长度为2的一维数组
activation:'sigmoid', //sigmoid这种激活函数的曲线y值范围始终在[0,1]
}));

对数损失函数 Log Loss

image

用TFJS API设置损失函数为:LogLoss(model.compile)

1
2
//设置损失函数为:LogLoss 对数损失函数
model.compile({loss:tf.losses.logLoss});

设置超参数,训练模型(model.fit)

1
2
3
4
5
6
7
8
9
//设置超参数 训练模型
await model.fit(inputs, labels,{
batchSize:40,
epochs:50,
callbacks:tfvis.show.fitCallbacks(
{name:'训练过程'},
['loss']
)
})

image

预测

1
2
3
4
5
<form action="" onsubmit="predict(this);return false;">
x: <input type="text" name="x">
y: <input type="text" name="y">
<button type="submit">预测</button>
</form>
1
2
3
4
window.predict = (form)=>{
const pred = model.predict(tf.tensor([[form.x.value * 1,form.y.value * 1]]));
alert(`预测结果:${pred.dataSync()[0]}`);
}

image


代码仓库