PyTorch线性回归和逻辑回归实战教程

线性回归是回归分析中最基本、最常用的模型之一，它通过找到一条直线，使得这条直线尽可能地拟合数据点。逻辑回归则是一种用于解决二元分类问题的回归模型，它将因变量转换为二分类概率。在本教程中，我们将使用PyTorch实现这两种回归模型，并通过实战案例来演示它们的用法。
首先，我们需要导入所需的库和模块。PyTorch提供了丰富的模块和函数，用于构建神经网络和进行机器学习任务。在本例中，我们将使用PyTorch的torch和torch.nn模块。

import torch
import torch.nn as nn
import numpy as np

接下来，我们将准备数据集。这里我们使用numpy库生成一些模拟数据作为示例数据。在实际应用中，您可以使用自己的数据集来替换这些模拟数据。

# 生成模拟数据
x_train = np.random.randn(100, 1) # 100个样本，每个样本有1个特征
y_train = 2 * x_train + torch.randn(100, 1) # 真实值是2倍的x加上一些噪声

现在我们已经准备好了数据集，接下来我们将构建线性回归模型。在PyTorch中，我们可以使用nn.Linear模块来构建线性回归模型。

class LinearRegressionModel(nn.Module):
def __init__(self):
super(LinearRegressionModel, self).__init__()
self.linear = nn.Linear(1, 1) # 输入和输出维度均为1的线性层
def forward(self, x):
return self.linear(x)

接下来，我们将实例化模型并进行训练。在PyTorch中，模型的训练通常使用反向传播算法进行优化，我们还需要定义损失函数和优化器。

model = LinearRegressionModel()
criterion = nn.MSELoss() # 均方误差作为损失函数
optimizer = torch.optim.SGD(model.parameters(), lr=0.01) # 使用随机梯度下降作为优化器，学习率为0.01

现在我们可以开始训练模型了。在每个训练迭代中，我们首先计算预测值和真实值之间的损失，然后使用优化器更新模型的权重。我们将重复这个过程多次，直到模型收敛或达到预设的迭代次数。

num_epochs = 1000 # 设定训练迭代次数为1000次
for epoch in range(num_epochs):
# 前向传播：计算预测值
outputs = model(y_train)
loss = criterion(outputs, y_train) # 计算损失值
# 反向传播：更新权重
optimizer.zero_grad() # 清空梯度缓存
loss.backward() # 计算梯度值
optimizer.step() # 更新权重值
if (epoch + 1) % 100 == 0: # 每100个迭代输出一次损失值
print(f'Epoch {epoch + 1}, Loss: {loss.item()}')

训练完成后，我们可以使用训练好的模型进行预测。将新数据输入到模型中，即可得到预测结果。在本例中，我们使用训练集中的前5个样本作为测试数据来评估模型的性能。

# 使用训练好的模型进行预测
test_x = x_train[:5] # 取前5个样本作为测试数据
test_y = model(test_x).detach().numpy() # 将PyTorch张量转换为NumPy数组，并获取预测结果
print(test_y) # 输出预测结果