采用梯度下降的逻辑回归效果差，求分析

Question

逻辑回归采用对数据二分类结果很差，找不到原因，是我的梯度下降有问题吗？求各位给分析分析

//测试数据(按列排的，使用期间对数据进行了中心化)
double[,] xTraMat = {{1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1},{0,0,0,0,0,0,0,0,0,0,0,0,0,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1}
                                ,{18,21,23,23,28,31,36,42,46,48,55,56,58,18,20,25,27,28,30,32,33,33,38,41,45,48,52,56}
                                ,{850,1200,850,950,1200,850,1500,1000,950,1200,1800,2100,1800,850,1000,1200,1300,1500,950,1000,1800,1000,1200,1500,1800,1000,1500,1800}
                                 };
//测试标签
double[,] yDatas = {{0,0,1,1,1,0,1,1,1,0,1,1,1,0,0,0,0,0,1,0,0,0,0,0,1,0,1,1}};

double[,] rBeta = Regression.FGDInLogisticRegression(csx, yMat, 0.05, 10000);
            string[] strs = new string[(int)n];
            for (int i = 0; i < n; i++)
            {
                double verf = Regression.Sigmoid(Matrix.MultiplyMatrix(Matrix.VectorGenerate(Matrix.MatrixGetVector(csx, i, true), true), rBeta)[0, 0]);
                strs[i]= $"Real:{yMat[i, 0]}" + "，" + $"Verf:{verf}";
            }

public static double[,] FGDInLogisticRegression(double[,] x, double[,] y,double alpha,int iterations)
        {
            int n = x.GetLength(0);
            int p = x.GetLength(1);
            double[,] xTran= Matrix.Transpose(x);
            double epsilon = 1e-8;
            double[,] beta = new double[p, 1];
            for(int t = 0; t < iterations; t++)
            {
                double[,] error = new double[n, 1];
                //计算当前beta系数下，损失函数对未知参数梯度(在此选择全部样本)
                for (int i = 0; i < n; i++)
                {
                    double[,] currRow = Matrix.VectorGenerate(Matrix.MatrixGetVector(x, i, true), true);
                    error[i, 0] = y[i, 0] - Sigmoid(Matrix.MultiplyMatrix(currRow, beta)[0, 0]);
                }
                double[,] dl = new double[p, 1];
                dl = Matrix.MultiplyConst(Matrix.MultiplyMatrix(xTran, error),1.0/(double)n);//梯度值
                if (Matrix.Norm(dl, 1) < epsilon)
                {
                    break;
                }
                beta = Matrix.AddMatrix(beta, Matrix.MultiplyConst(dl, alpha));//梯度递减迭代
            }
            return beta;
        }

验证结果

Answer 1

不知道你这个问题是否已经解决, 如果还没有解决的话:

• 这个问题的回答你可以参考下: https://ask.csdn.net/questions/28643
• 你也可以参考下这篇文章：分类识别任务中，评估分类器的性能一般用到什么指标？ 评估检测器性能一般用什么指标？ 评估分割模块性能一般用什么指标？
• 您还可以看一下 任大勇老师的数据分析思维及方法课程中的 归集数据指标，数据指标拆解与确定数据维度小节, 巩固相关知识点
  
• 除此之外, 这篇博客: 浅谈图分析商业化的机遇与挑战，你注意到了吗？中的 图分析无处不在 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:
  

  什么是图分析？Graph Analysis，没错，其实就是你想的那样，简单的来说，图分析就是“用图去分析。”

  图分析如今广泛的应用于金融、电信、电商、能源、医疗、供应链、制造、政府等多个行业，尤其在金融行业的风险控制、反欺诈等场景趋于成熟。

  那说到我们普通老板姓，图分析无处不在，试想一下你出门的场景：打开手机查看导航线路图，先找到出发地（source）与目的地（target）的站点（vertex），然后导航自动规划出最短路径（A-star-algorithm），你要走的路线就是边（Edge）。不知不觉中，你已经在用图分析。

如果你已经解决了该问题, 非常希望你能够分享一下解决方案, 写成博客, 将相关链接放在评论区, 以帮助更多的人 ^-^