前言
目前公众号的体裁似乎限定在序列推荐,但这样并不利于广度的学习,因此接下来分享的内容并不会局限于序列推荐(例如上篇文章),会结合目前自己的学习情况,这也是为了扩大读者的范围。当前正在整理机器学习中逻辑回归的基础和面试内容,这里有一个值得思考的问题与大家分享与讨论。
本文约1k字,预计阅读5分钟。
概要
逻辑回归(logistic regression)在机器学习中是非常经典的分类方法,周志华教授的《机器学习》书中称其为对数几率回归,因为其属于对数线性模型。
在算法面试中,逻辑回归也经常被问到,常见的面试题包括:
逻辑回归推导;
逻辑回归如何实现多分类?
SVM与LR的联系与区别?
逻辑回归反向传播伪代码;
大家可以思考下能不能回答/推导出,但这次讨论的问题是:
❝为什么逻辑回归损失函数是交叉熵?
❞
初看这个问题感觉很奇怪,但是其中的知识包含了LR的推导与理解。在我个人看来,可以从两个角度看待这个问题:
【1】从极大似然估计的角度可以推导出交叉熵;
【2】从KL散度(熵的角度)去理解;
极大似然估计
对于逻辑回归,我们一般通过极大似然估计来求解参数 。
首先假设两个逻辑回归的两个条件概率:
学习时,采用极大似然估计来估计模型的参数,似然函数为:
对数似然函数(采用对数似然函数是因为上述公式的连乘操作易造成下溢)为:
对其求最大值,估计参数