SJS/2017/ex10 の履歴(No.1)

SJS2016 ex11†

人工データをロジスティック回帰モデルで識別させてみよう(0) 〜データ生成プログラム

以下を適当な名前で保存して，ipython 上で実行してみよう．このプログラムでは3クラスのデータを2次元の正規分布で生成してますが，nclass を 2 にしたら赤と緑の2クラスのデータを作ることもできます．

#gist(08915ac166e2316568346be4c5b6e1c6);

人工データをロジスティック回帰モデルで識別させてみよう (1) 〜 2クラス識別の実験

上記プログラムで得られる2クラスのデータを学習データとして，ロジスティック回帰モデルの交差エントロピーをSGDによって最小化する学習プログラムを作成しよう．

学習が一定回数（たとえば \( N \) 回）進むたびに交差エントロピー \( H \) と誤識別率（\( z = 0.5 \)を境にしてどっちと識別したか判断する）を表示するようにしよう．
パラメータの初期値は，\( [0,1) \) の一様乱数をもとに \( [ -0.01, 0.01 ) \) くらいにするとよいかも
とりあえず \( \eta \) は 0.01 とか 0.001 とか．うまく学習がすすまないときはもっと小さくしてみたらよいかも．
↑ の getData は引数なしでは毎回乱数の種が異なってデータが変わります．それに，勾配法による学習はパラメータの初期値や \( \eta \) 等の値が変われば毎回結果が変わります．
\( z = 0.5 \Leftrightarrow ax+by+c = 0 \) だから，学習後のパラメータの値を見ると，学習した識別器が2クラスの境界をどんなだと思っているかがわかりますね．次のようにすると...これは課題ではありませんが．
```
学習データの散布図を描く
xx = np.asarray( plt.xlim() )
yy = -( a * xx + c ) / b               # 本当は b → 0 のときのこととかちゃんと考えるべき
line = matplotlib.lines.Line2D( xx, yy )
ax.add_line( line )
fig.show()
```