对于机器学习分享——逻辑回归推导以及numpy的实现感兴趣的读者，本文将提供您所需要的所有信息，我们将详细讲解逻辑回归csdn，并且为您提供关于"importnumpyasnp"ImportError

对于机器学习分享——逻辑回归推导以及 numpy 的实现感兴趣的读者，本文将提供您所需要的所有信息，我们将详细讲解逻辑回归 csdn，并且为您提供关于"import numpy as np" ImportError: No module named numpy、3.7Python 数据处理篇之 Numpy 系列 (七)---Numpy 的统计函数、Anaconda Numpy 错误“Importing the Numpy C Extension Failed”是否有另一种解决方案、Difference between import numpy and import numpy as np的宝贵知识。

• 机器学习分享——逻辑回归推导以及 numpy 的实现（逻辑回归 csdn）
• "import numpy as np" ImportError: No module named numpy
• 3.7Python 数据处理篇之 Numpy 系列 (七)---Numpy 的统计函数
• Anaconda Numpy 错误“Importing the Numpy C Extension Failed”是否有另一种解决方案
• Difference between import numpy and import numpy as np

机器学习分享——逻辑回归推导以及 numpy 的实现（逻辑回归 csdn）

逻辑回归基本概念

什么是逻辑回归？
逻辑回归就是这样的一个过程：面对一个回归或者分类问题，建立代价函数，然后通过优化方法迭代求解出最优的模型参数，然后测试验证我们这个求解的模型的好坏。

Logistic 回归虽然名字里带“回归”，但是它实际上是一种分类方法，主要用于两分类问题（即输出只有两种，分别代表两个类别）

回归模型中，y是一个定性变量，比如y=0或1，logistic方法主要应用于研究某些事件发生的概率

概念解释

Logistic Regression推导过程

它的表达式是:

$$ f(x) = \frac{1}{1 + e^{-\theta}} $$

$$ \theta = WX + B $$

可以发现，经过sigmoid函数转换后, 输出值是在[0, 1]之间，可以认为输出是概率，下面就来详细的推导：

推导

为了计算方便, 我们只讨论二分类.

首先, 逻辑回归进行了一个假设，两个类别都服从均值不同，方差相同(方便推导)的高斯分布

$$ p(y|x=0) = \mu(\mu_0, \sigma) $$

$$ p(y|x=1) = \mu(\mu_1, \sigma) $$

高斯分布是比较容易处理的分布，根据中心极限定理也知道，最终会收敛于高斯分布。
从信息论的角度上看，当均值和方差已知时（尽管你并不知道确切的均值和方差，但是根据概率论，当样本量足够大时，样本均值和方差以概率1趋向于均值和方差），高斯分布是熵最大的分布，为什么要熵最大？因为最大熵的分布可以平摊你的风险（同一个值会有两个点可以取到, 不确定性很大），这就好比不要把鸡蛋放到同一个篮子里，想想二分查找中，为什么每次都是选取中间点作为查找点？就是为了平摊风险（假设方差相等只是为了计算方便）。

风险

$$ Risk(y=0|x) = \lambda_{00}P(y=0|x) + \lambda_{01}P(y = 1|x) $$

$$ Risk(y=1|x) = \lambda_{10}P(y=0|x) + \lambda_{11}P(y = 1|x) $$

其中，$Risk(y=0|x)$是把样本预测为0时的风险，$Risk(y=1|x)$是把样本预测为1时的风险，
$λ_{ij}$是样本实际标签为j时，却把它预测为i是所带来的风险。

我们认为预测正确并不会带来风险，因此$λ_{00}$和$λ_{11}$都为0，此外，我们认为当标签为0而预测为1 和 当标签为1而预测为0，这两者所带来的风险是相等的，因此$λ_{10}$和$λ_{01}$相等，方便起见，我们记为λ。但在一些领域里，比如医学、风控等，这些λ在大多数情况下是不相等的，有时候我们会选择“宁可错杀一一千也不能放过一个”;

那么我们简化后的表达式:

$$ Risk(y=0|x) = \lambda P(y = 1|x) $$

$$ Risk(y=1|x) = \lambda P(y=0|x) $$

根据最小化风险的原则，我们通常会选择风险较小的。

比如:

$$ Risk(y=0|x) < Risk(y=1|x) $$

这就说明了预测为第0类的风险小于预测为第1类的风险。

可以得到：

$$ \frac{Risk(y=0|x)}{Risk(y=1|x)} < 1 $$

$$ \frac{P(y = 1|x)}{P(y=0|x)} < 1 $$

就是说明预测第1类的概率小于第0类的概率。

我们对不等式两边分别取对数

$$ log\frac{{P(y = 1|x)}}{{P(y=0|x)}} < 0 $$

根据贝叶斯公式：

$$ log\frac{P(x|y = 1)p(y=1)}{P(x|y=0)p(y=0)} < 0 $$

$$ log\frac{P(x|y = 1)}{P(x|y=0)} + log\frac{p(y=1)}{p(y=0)} < 0 $$

我们开始假设过，两个类别分别服从均值不等，方差相等的高斯分布，根据高斯分布的公式有：

高斯分布

$$ g(x) = \frac{1}{2\pi\sigma}e^{-\frac{(x - \mu)^2}{2\sigma^2}} $$

忽略常数项（方差也是相等的）

$$ log\frac{P(x|y = 1)}{P(x|y=0)} + loge^{(\frac{(x - \mu_0)^2}{2\sigma^2} - \frac{(x - \mu_1)^2}{2\sigma^2})} $$

$$ log\frac{P(x|y = 1)}{P(x|y=0)} + (\frac{(x - \mu_0)^2}{2\sigma^2} - \frac{(x - \mu_1)^2}{2\sigma^2}) < 0 $$

$$ log\frac{P(x|y = 1)}{P(x|y=0)} < \frac{(x - \mu_1)^2}{2\sigma^2} - \frac{(x - \mu_0)^2}{2\sigma^2} $$

$$ log\frac{P(x|y = 1)}{P(x|y=0)} < \frac{\mu_0}{\sigma^2}x - \frac{\mu_1}{\sigma^2}x + C $$

C是常熟，可以使用矩阵的表示。

$$ log\frac{P(x|y = 1)}{P(x|y=0)} < \theta{X} $$

详细推导

对值取幂，以及等式取等号计算。

$$ \frac{P(y=1|x)}{P(y=0|x)} = e^{\theta x} $$

$$ = \frac{P(y=1|x)}{1 - P(y=1|x)} = e^{\theta x} $$

$$ = \frac{1 - P(y=1|x)}{P(y=1|x)} = e^{-\theta x} $$

$$ = \frac{1}{P(y=1|x)} - 1 = e^{-\theta x} $$

$$ = \frac{1}{P(y=1|x)} = e^{-\theta x} + 1 $$

$$ = P(y=1|x) = \frac{1}{e^{-\theta x} + 1} $$

以下是实现的一些截图

优化我们采用梯度下降算法

交叉熵损失函数

最终效果

电脑端查看完整代码

——————————————————————————————————
Mo （网址：momodel.cn ）是一个支持 Python 的人工智能建模平台，能帮助你快速开发训练并部署 AI 应用。期待你的加入。

"import numpy as np" ImportError: No module named numpy

问题：没有安装 numpy

解决方法：

下载文件，安装

numpy-1.8.2-win32-superpack-python2.7

安装运行 import numpy，出现

Traceback (most recent call last):
  File "<pyshell#2>", line 1, in <module>
    import numpy
  File "C:\Python27\lib\site-packages\numpy\__init__.py", line 153, in <module>
    from . import add_newdocs
  File "C:\Python27\lib\site-packages\numpy\add_newdocs.py", line 13, in <module>
    from numpy.lib import add_newdoc
  File "C:\Python27\lib\site-packages\numpy\lib\__init__.py", line 8, in <module>
    from .type_check import *
  File "C:\Python27\lib\site-packages\numpy\lib\type_check.py", line 11, in <module>
    import numpy.core.numeric as _nx
  File "C:\Python27\lib\site-packages\numpy\core\__init__.py", line 6, in <module>
    from . import multiarray
ImportError: DLL load failed: %1 不是有效的 Win32 应用程序。

原因是：python 装的是 64 位的，numpy 装的是 32 位的

重新安装 numpy 为：numpy-1.8.0-win64-py2.7

3.7Python 数据处理篇之 Numpy 系列 (七)---Numpy 的统计函数

目录

[TOC]

前言

具体我们来学 Numpy 的统计函数

（一）函数一览表

调用方式：np.*

（二）统计函数 1

（1）说明

（2）输出

.sum(a)

.mean(a)

.average(a)

.std(a)

.var(a)

（三）统计函数 2

（1）说明

（2）输出

.max(a) .min(a)

.ptp(a)

.median(a)

.argmin(a)

.argmax(a)

.unravel_index(index,shape)

作者：Mark

日期：2019/02/11 周一

Anaconda Numpy 错误“Importing the Numpy C Extension Failed”是否有另一种解决方案

  \Traceback (most recent call last):
File "C:\Conda\envs\gcp\lib\site-packages\numpy\core\__init__.py",line 22,in <module>
from . import multiarray
File "C:\Conda\envs\gcp\lib\site-packages\numpy\core\multiarray.py",line 12,in <module>
from . import overrides
File "C:\Conda\envs\gcp\lib\site-packages\numpy\core\overrides.py",line 7,in <module>
from numpy.core._multiarray_umath import (
ImportError: DLL load Failed while importing _multiarray_umath: The specified module Could not be found.

During handling of the above exception,another exception occurred:

Traceback (most recent call last):
File "c:\API\citi-bike.py",line 4,in <module>
import numpy as np
File "C:\Conda\envs\gcp\lib\site-packages\numpy\__init__.py",line 150,in <module>
from . import core
File "C:\Conda\envs\gcp\lib\site-packages\numpy\core\__init__.py",line 48,in <module>
raise ImportError(msg)
ImportError:

IMPORTANT: PLEASE READ THIS FOR ADVICE ON HOW TO SOLVE THIS ISSUE!

Importing the numpy C-extensions Failed. This error can happen for
many reasons,often due to issues with your setup or how NumPy was
installed.

We have compiled some common reasons and troubleshooting tips at:

https://numpy.org/devdocs/user/troubleshooting-importerror.html

Please note and check the following:

* The Python version is: python3.9 from "C:\Conda\envs\gcp\python.exe"
* The NumPy version is: "1.21.1"

and make sure that they are the versions you expect.
Please carefully study the documentation linked above for further help.

Original error was: DLL load Failed while importing _multiarray_umath: The specified module Could not be found.

import numpy as np

import numpy.f2py as myf2py

import numpy as np
np.f2py #throws no module named f2py

import numpy as np # np is an alias pointing to numpy, but at this point numpy is not linked to numpy.f2py
import numpy.f2py as myf2py # this command makes numpy link to numpy.f2py. myf2py is another alias pointing to numpy.f2py as well

import numpy

import numpy as np

import numpy
np = numpy
del numpy

import numpy as np
import numpy.f2py   # OK
import np.f2py      # ImportError

import scipy.ndimage.interpolation as warp
warp.affine_transform(I, ...)

try:
    import pyfftw.interfaces.numpy_fft as fft
except:
    import numpy.fft as fft
# call fft.ifft(If) with fftw or the numpy fallback under a common name

import numpy as np
np.f2py