多因素logistic回归中只有参照组P<0.05

添加Sigmoid函数和Logistic回归梯度上升算法代码：

import numpy as np
import matplotlib.pyplot as plt

'''
函数说明：读取数据集
Returns: 
    dataMat：包含了数据特征值的矩阵
    dataLabel：数据集的标签
'''


def loadDataSet():
    dataMat = []
    labelMat = []
    fr = open('D:\迅雷下载\machinelearninginaction\Ch05\\testSet.txt')
    for line in fr.readlines():
        # strip()方法不传参时表示移除字符串首尾空格                                       
        lineArr = line.strip().split()
        dataMat.append([1.0, float(lineArr[0]), float(lineArr[1])])
        labelMat.append(int(lineArr[2]))
    fr.close()
    return dataMat, labelMat


"""
函数说明:绘制数据集
Parameters:
    无
Returns:
    无
"""


def plotDataSet():
    dataMat, labelMat = loadDataSet()
    # 转换成numpy的array数组
    dataArr = np.array(dataMat)
    n = np.shape(dataMat)[0]
    # 正样本
    xcord1 = [];
    ycord1 = []
    # 负样本
    xcord2 = [];
    ycord2 = []
    # 根据数据集标签进行分类
    for i in range(n):
        if int(labelMat[i]) == 1:
            xcord1.append(dataArr[i, 1]);
            ycord1.append(dataArr[i, 2])
        else:
            xcord2.append(dataArr[i, 1]);
            ycord2.append(dataArr[i, 2])
    fig = plt.figure()
    ax = fig.add_subplot(111)
    ax.scatter(xcord1, ycord1, s=20, c='red', marker='s', alpha=.5)
    ax.scatter(xcord2, ycord2, s=20, c='green', alpha=.5)
    plt.title('DataSet')
    plt.xlabel('x');
    plt.ylabel('y')
    plt.show()


'''
函数说明：sigmoid函数
Parameters: 
    inx：经历一次前向传播还没有激活的值
Returns：
    激活后的值
'''


def sigmoid(inx):
    return 1.0 / (1 + np.exp(-inx))


"""
函数说明：梯度上升算法
Parameters:
    dataMatIn：数据集
    classLabels：数据标签
Returns:
    weights：求得的权重数组(最优参数)
"""


def gradAscent(dataMatIn, classLabels):
    # 将输入数据集转换为矩阵
    dataMatrix = np.mat(dataMatIn)
    LabelsMat = np.mat(classLabels).transpose()
    m, n = np.shape(dataMatrix)
    # 初始化系数矩阵，因为数据集为m行n列，所以权重矩阵为n行
    weights = np.ones((n, 1))
    # 迭代次数
    maxIter = 500
    # 步长(学习率)
    alpha = 0.001
    for k in range(maxIter):
        h = sigmoid(dataMatrix * weights)
        # 计算误差
        error = LabelsMat - h
        # 更新权重矩阵
        weights = weights + alpha * dataMatrix.transpose() * error
    return weights.getA()


if __name__ == '__main__':
    dataArr, labelMat = loadDataSet()
    print(gradAscent(dataArr, labelMat))

if __name__ == '__main__':
    plotDataSet()

运行结果：

该结果即为使用梯度上升算法找到的一组回归系数。