我的个人博客:https://huaxuan0720.github.io/ ,欢迎访问
前言
前面主要是讲反向传播和梯度下降的方法,那么其实涉及梯度的机器学习方法并不是只有深度学习一种,逻辑回归也是可以利用梯度的信息进行参数的更新,使得模型逐步满足我们的数据要求。注意,逻辑回归输出的是属于某一种类别的概率,利用阈值的控制来进行判别,因此逻辑回归本质上是一种分类方法。
一、逻辑斯蒂回归
逻辑斯蒂回归(logistic regression,下面简称逻辑回归),是一种十分经典的分类方法。我们首先介绍一下逻辑回归的定义。
假设我们有一个数据集
S
S
S,一共包含
m
m
m个样本数据,即:
,
S
=
{
(
x
1
,
y
1
)
,
(
x
2
,
y
2
)
,
.
.
.
,
(
x
m
,
y
m
)
}
,S = \{(x_1,y_1),(x_2,y_2),...,(x_m,y_m)\}
,S={(x1,y1),(x2,y2),...,(xm,ym)},其中,
y
i
∈
{
0
,
1
}
y_i \in \{0, 1\}
yi∈{0,1}。为了表示的方便,我们不妨设当
y
i
=
1
y_i = 1
yi=1时为正样本,当
y
i
=
0
y_i = 0
yi=0时为负样本,当然,反过来也是可以的,这个并不重要,只不过一般习惯这样表达。
在SVM中,我们根据数据集的分布,求解出了一个二分的超平面 f ( x ) = ω ⋅ x + b f(x) = \omega \cdot x+b f(x)=ω⋅x+b,现在我们要对一个新的样本点 x 0 x_0 x0进行分类预测,需要将这个样本点带入上面的超平面公式。当 f ( x 0 ) = ω ⋅ x 0 + b > 0 f(x_0) = \omega \cdot x_0 + b > 0 f(x0)=ω⋅x0+b>0时,我们将这个样本点标记为1,当 f ( x 0 ) = ω ⋅ x 0 + b ≤ 0 f(x_0) = \omega \cdot x_0 + b \leq 0 f(x0)=ω⋅x0+b≤0时,我们将这个样本点标记为-1。观察到SVM只能对新样本输出 ± 1 \pm1 ±1,无法较为准确的输出样本属于每一个类别的概率究竟是多少。SVM结果的正确性在于它保证了找到的是样本间隔最大的那个超平面,这样就可以保证以最高的精确度区分新的样本。然而SVM却无法对一个新样本的概率进行求解。而这就是逻辑回归主要做的事情,它输出的是一个概率值,当这个概率值大于一定的阈值时,样本标记为1,反之则标记为0。
二、sigmoid函数
熟悉深度学习的人肯定对这个函数非常了解,它是早期深度学习网络经常使用的激活函数之一。它的定义公式如下:
s
i
g
m
o
i
d
(
x
)
=
1
1
+
e
−
x
x
∈
R
sigmoid(x) = \frac{1}{1 + e^{-x}} \quad x \in R
sigmoid(x)=1+e−x1x∈R
它的函数图像是一个典型的S型曲线,定义域是全体实数。我们根据公式可以发现,这个函数将全体实数映射到了
(
0
,
1
)
(0, 1)
(0,1) 区间上,并在这个区间上单调递增,
x
x
x越大,函数值越大。而这正好符合我们需要的概率分布的规律。
三、逻辑回归模型
二项逻辑回归模型本质上是一个类似下面公式的条件分布:
(1)
P
(
Y
=
1
∣
x
)
=
1
1
+
e
−
(
ω
⋅
x
+
b
)
P(Y = 1 | x) = \frac{1}{1 + e^{-(\omega \cdot x + b)}} \tag{1}
P(Y=1∣x)=1+e−(ω⋅x+b)1(1)
(2) P ( Y = 0 ∣ x ) = 1 − 1 1 + e − ( ω ⋅ x + b ) P(Y = 0 | x) = 1 - \frac{1}{1 + e^{-(\omega \cdot x + b)}} \tag{2} P(Y=0∣x)=1−1+e−(ω⋅x+b)1(2)
其中,第一个式子是我们需要重点关注的。我们对第一个式子右边的分数,上下同时乘以
e
ω
⋅
x
+
b
e^{\omega \cdot x + b}
eω⋅x+b,得到:
(3)
P
(
Y
=
1
∣
x
)
=
e
ω
⋅
x
+
b
1
+
e
ω
⋅
x
+
b
P(Y = 1 | x) = \frac{e^{\omega \cdot x + b}}{1 + e^{\omega \cdot x + b}} \tag{3}
P(Y=1∣x)=1+eω⋅x+beω⋅x+b(3)
以上就是我们经常可以看到的逻辑回归的公式了。
现在我们将偏置量也放进参数
ω
\omega
ω中,所以变量
x
x
x的尾部会增加一个多余的维度1来和偏置量进行匹配,于是,我们有如下的表示方式:
ω
=
[
ω
1
ω
2
⋯
ω
n
b
]
\omega = \begin{bmatrix} \omega_1 & \omega_2 & \cdots & \omega_n & b\end{bmatrix}
ω=[ω1ω2⋯ωnb]
x = [ x 1 x 2 ⋯ x n 1 ] x = \begin{bmatrix} x_1 & x_2 & \cdots & x_n & 1\end{bmatrix} x=[x1x2⋯xn1]
于是,原逻辑回归公式可以有以下的表达:
(4)
P
(
Y
=
1
∣
x
)
=
e
ω
⋅
x
1
+
e
ω
⋅
x
P(Y = 1 | x) = \frac{e^{\omega \cdot x}}{1 + e^{\omega \cdot x}} \tag{4}
P(Y=1∣x)=1+eω⋅xeω⋅x(4)
四、损失函数
很容易想到,损失函数我们仍然可以使用前面介绍的差方和的方法计算。当距离目标越近时,差方和越小,损失就会越小。事实上并不能这样进行处理。
(4)
J
(
ω
,
b
)
=
∑
i
(
1
1
+
e
−
(
ω
⋅
x
i
)
−
y
i
)
2
=
∑
i
(
e
ω
⋅
x
1
+
e
ω
⋅
x
−
y
i
)
2
J(\omega, b) = \sum_i( \frac{1}{1 + e^{-(\omega \cdot x_i)}} - y_i)^2 = \sum_i (\frac{e^{\omega \cdot x}}{1 + e^{\omega \cdot x}} - y_i) ^2\tag{4}
J(ω,b)=i∑(1+e−(ω⋅xi)1−yi)2=i∑(1+eω⋅xeω⋅x−yi)2(4)
原因是如果使用差方和作为最后的损失函数,那么我们得到的最后的损失函数并不是一个简单的凹函数(或者凸函数),这个函数存在许多的局部极小值,因此很难通过梯度下降的方法收敛到全局最小值附近,这样导致的结果就是训练出来的模型并不能很好的满足我们的需要,误差较大。
所以我们必须要重新定义一个满足我们条件的损失函数,或者称为目标函数。我们考虑使用极大似然估计的方法进行参数估计。
对于其中的某一个样本,如果该样本的标签为1,那么我们需要极大化
P
(
Y
=
1
∣
x
)
P(Y = 1|x)
P(Y=1∣x),如果该样本的标签为0,那么我们需要极大化
1
−
P
(
Y
=
1
∣
x
)
1 - P(Y = 1|x)
1−P(Y=1∣x),于是对于每一个样本数据,综合来看,我们只需要极大化以下的式子即可:
P
(
Y
=
1
∣
x
i
)
y
i
(
1
−
P
(
Y
=
1
∣
x
i
)
)
1
−
y
i
P(Y = 1|x_i)^{y_i} (1 - P(Y= 1|x_i))^{1 - y_i}
P(Y=1∣xi)yi(1−P(Y=1∣xi))1−yi
上面的式子看起来很吓人,其实本质很简单。于是我们的似然函数可以表示为
(5)
L
(
ω
)
=
∏
i
P
(
Y
=
1
∣
x
i
)
y
i
(
1
−
P
(
Y
=
1
∣
x
i
)
)
1
−
y
i
L(\omega) = \prod_i P(Y = 1|x_i)^{y_i} (1 - P(Y= 1|x_i))^{1 - y_i} \tag{5}
L(ω)=i∏P(Y=1∣xi)yi(1−P(Y=1∣xi))1−yi(5)
由于这里涉及指数,而且是连乘运算,计算不方便,于是我们可以用取对数的方式进行处理,这里可以这样处理的原因是上式取最大的时候,其对数也一定是取最大值,因为对数函数是一个单调函数。于是有:
(6)
l
o
g
L
(
ω
)
=
∑
i
y
i
l
o
g
(
P
(
Y
=
1
∣
x
i
)
)
+
(
1
−
y
i
)
l
o
g
(
1
−
P
(
Y
=
1
∣
x
i
)
)
log L(\omega) = \sum_i y_i log(P(Y = 1|x_i)) + (1 - y_i) log(1 - P(Y = 1|x_i)) \tag{6}
logL(ω)=i∑yilog(P(Y=1∣xi))+(1−yi)log(1−P(Y=1∣xi))(6)
现在我们可以将之前的计算结果带入到公式(6)中进行化简:
(7)
l
o
g
L
(
ω
)
=
∑
i
y
i
l
o
g
(
P
(
Y
=
1
∣
x
i
)
)
+
(
1
−
y
i
)
l
o
g
(
1
−
P
(
Y
=
1
∣
x
i
)
)
=
∑
i
y
i
l
o
g
(
e
ω
⋅
x
i
1
+
e
ω
⋅
x
i
)
+
(
1
−
y
i
)
l
o
g
(
1
−
e
ω
⋅
x
i
1
+
e
ω
⋅
x
i
)
=
∑
i
y
i
l
o
g
(
e
ω
⋅
x
i
1
+
e
ω
⋅
x
i
)
+
(
1
−
y
i
)
l
o
g
(
1
1
+
e
ω
⋅
x
i
)
=
∑
i
y
i
l
o
g
(
e
ω
⋅
x
i
1
+
e
ω
⋅
x
i
)
+
l
o
g
(
1
1
+
e
ω
⋅
x
i
)
−
y
i
l
o
g
(
1
1
+
e
ω
⋅
x
i
)
=
∑
i
y
i
(
l
o
g
(
e
ω
⋅
x
i
1
+
e
ω
⋅
x
i
)
−
l
o
g
(
1
1
+
e
ω
⋅
x
i
)
)
+
l
o
g
(
1
1
+
e
ω
⋅
x
i
)
=
∑
i
y
i
l
o
g
(
e
ω
⋅
x
i
)
−
l
o
g
(
1
+
e
ω
⋅
x
i
)
=
∑
i
y
i
ω
⋅
x
i
−
l
o
g
(
1
+
e
ω
⋅
x
i
)
\begin{aligned} logL(\omega) &= \sum_i y_i log(P(Y = 1|x_i)) + (1 - y_i) log(1 - P(Y = 1|x_i)) \\ &= \sum_i y_i log(\frac{e^{\omega \cdot x_i}}{1 + e^{\omega \cdot x_i}}) + (1 - y_i) log(1 - \frac{e^{\omega \cdot x_i}}{1 + e^{\omega \cdot x_i}}) \\ &= \sum_i y_i log(\frac{e^{\omega \cdot x_i}}{1 + e^{\omega \cdot x_i}}) + (1 - y_i) log( \frac{1}{1 + e^{\omega \cdot x_i}}) \\ &= \sum_i y_i log(\frac{e^{\omega \cdot x_i}}{1 + e^{\omega \cdot x_i}}) + log( \frac{1}{1 + e^{\omega \cdot x_i}}) - y_i log(\frac{1}{1 + e^{\omega \cdot x_i}}) \\ &= \sum_i y_i (log(\frac{e^{\omega \cdot x_i}}{1 + e^{\omega \cdot x_i}}) - log(\frac{1}{1 + e^{\omega \cdot x_i}})) + log(\frac{1}{1 + e^{\omega \cdot x_i}}) \\ &= \sum_i y_i log(e^{\omega \cdot x_i}) - log(1 + e^{\omega \cdot x_i}) \\ &= \sum_i y_i \omega \cdot x_i - log(1 + e^{\omega \cdot x_i}) \end{aligned} \tag{7}
logL(ω)=i∑yilog(P(Y=1∣xi))+(1−yi)log(1−P(Y=1∣xi))=i∑yilog(1+eω⋅xieω⋅xi)+(1−yi)log(1−1+eω⋅xieω⋅xi)=i∑yilog(1+eω⋅xieω⋅xi)+(1−yi)log(1+eω⋅xi1)=i∑yilog(1+eω⋅xieω⋅xi)+log(1+eω⋅xi1)−yilog(1+eω⋅xi1)=i∑yi(log(1+eω⋅xieω⋅xi)−log(1+eω⋅xi1))+log(1+eω⋅xi1)=i∑yilog(eω⋅xi)−log(1+eω⋅xi)=i∑yiω⋅xi−log(1+eω⋅xi)(7)
于是我们需要的似然函数就变成了:
(8)
l
o
g
L
(
ω
)
=
∑
i
y
i
ω
⋅
x
i
−
l
o
g
(
1
+
e
ω
⋅
x
i
)
logL(\omega) = \sum_i y_i \omega \cdot x_i - log(1 + e^{\omega \cdot x_i}) \tag{8}
logL(ω)=i∑yiω⋅xi−log(1+eω⋅xi)(8)
上面的似然函数并不能直接进行最优化求解,于是我们常常利用梯度下降的方法进行逐步迭代求解,这就需要对上面的公式进行求导的操作,我们对参数
ω
\omega
ω求导如下:
(9)
∂
l
o
g
L
(
ω
)
∂
ω
=
∑
i
y
i
x
i
−
1
1
+
e
ω
⋅
x
i
e
ω
⋅
x
i
x
i
=
∑
i
y
i
x
i
−
e
ω
⋅
x
i
x
i
1
+
e
ω
⋅
x
i
\begin{aligned} \frac{\partial logL(\omega)}{\partial \omega} &= \sum_i y_i x_i - \frac{1}{1+e^{\omega \cdot x_i}} e^{\omega \cdot x_i} x_i \\ &= \sum_i y_i x_i - \frac{e^{\omega \cdot x_i} x_i}{1+e^{\omega \cdot x_i}} \end{aligned} \tag{9}
∂ω∂logL(ω)=i∑yixi−1+eω⋅xi1eω⋅xixi=i∑yixi−1+eω⋅xieω⋅xixi(9)
以上就是利用梯度下降算法进行逻辑回归问题的求解的(偏)导数计算公式,在每一轮的迭代过程中,我们对所有的样本进行梯度计算,最后累加梯度,然后按照计算出的梯度信息更新需要的参数。
由于我们这里需要将似然函数极大化,因此和反向传播的梯度下降不同,这里使用的是类似的梯度上升的方法,于是我们有如下的迭代公式:这里的
α
\alpha
α指的是学习率(或者说是步长信息)
(10)
ω
:
=
ω
+
α
∂
l
o
g
L
(
ω
)
∂
ω
\omega := \omega + \alpha \frac{\partial logL(\omega)}{\partial \omega} \tag{10}
ω:=ω+α∂ω∂logL(ω)(10)
五、关于逻辑回归的似然函数
在利用不同的方式计算损失函数时,我们总是希望得到的损失函数时一个凸函数(或者凹函数),这样我们就可以保证只有一个全局的最优解,而且不存在局部极小值或者极大值,而这些条件都对我们使用梯度下降方法来求解最优化问题十分有利。如果一个函数的二阶导数总是恒大于0,我们称这个函数为凸函数,如果一个函数的二阶导数总是恒小于0,我们称这个函数为凹函数,凸函数一定存在一个全局最小值,凹函数一定存在一个全局最大值,并且不管是凹函数还是凸函数都不存在局部极小值或者局部最大值。
我们以 y = x 2 y = x^2 y=x2为例,经过计算我们得到它的二阶导数为 y ′ ′ = 2 y\prime\prime = 2 y′′=2,是一个大于0的常数,因此该函数是一个凸函数,其不存在各种局部最小值或者局部最大值,只有一个全局最小值0(当然这个全局最小值也可以看作是一个某一个区域内的局部最小值)。
现在我们重新审视一下我们的似然函数,之前我们已经求解出了似然函数的梯度信息(一阶导数),即:
(11)
∂
l
o
g
L
(
ω
)
∂
ω
=
∑
i
y
i
x
i
−
e
ω
⋅
x
i
x
i
1
+
e
ω
⋅
x
i
\frac{\partial logL(\omega)}{\partial \omega} = \sum_i y_i x_i - \frac{e^{\omega \cdot x_i} x_i}{1+e^{\omega \cdot x_i}} \tag{11}
∂ω∂logL(ω)=i∑yixi−1+eω⋅xieω⋅xixi(11)
我们继续对上式进行求导的操作,有:
(12)
∂
2
l
o
g
L
(
ω
)
∂
ω
2
=
∑
i
−
x
i
e
ω
⋅
x
i
x
i
(
1
+
e
e
ω
⋅
x
i
)
−
e
ω
⋅
x
i
(
e
ω
⋅
x
i
x
i
)
(
1
+
e
ω
⋅
x
i
)
2
=
∑
i
−
x
i
e
ω
⋅
x
i
x
i
(
1
+
e
ω
⋅
x
i
)
2
=
∑
i
−
e
ω
⋅
x
i
(
1
+
e
ω
⋅
x
i
)
2
x
i
⋅
x
i
\begin{aligned} \frac{\partial^2 logL(\omega)}{\partial \omega^2} &= \sum_i - x_i \frac{e^{\omega \cdot x_i} x_i (1 + e^{e^{\omega \cdot x_i}}) - e^{\omega \cdot x_i}(e^{\omega \cdot x_i} x_i)}{(1 + e^{\omega \cdot x_i})^2} \\ &= \sum_i - x_i \frac{e^{\omega \cdot x_i} x_i}{(1 + e^{\omega \cdot x_i})^2} \\ &= \sum_i - \frac{e^{\omega \cdot x_i}}{(1 + e^{\omega \cdot x_i})^2} x_i \cdot x_i \end{aligned} \tag{12}
∂ω2∂2logL(ω)=i∑−xi(1+eω⋅xi)2eω⋅xixi(1+eeω⋅xi)−eω⋅xi(eω⋅xixi)=i∑−xi(1+eω⋅xi)2eω⋅xixi=i∑−(1+eω⋅xi)2eω⋅xixi⋅xi(12)
可以发现的是,上式对于任何的一个数据集合来说都是恒小于0的,因此可以说当我们使用极大似然估计作为损失函数时,该函数是一个凹函数,有一个最大值,可以利用梯度下降(严格来说这个应该是梯度上升的方法)进行求解。
通常,当我们求解出最终的参数时,可以获得一个超平面。往往我们将逻辑回归的阈值设置为0.5,将输出值高于0.5的样本标记为正样本,将输出值低于0.5的样本标记为负样本,于是,我们可以得到分类的超平面为:
(13)
1
1
+
e
ω
⋅
x
=
1
2
\frac{1}{1 + e^{\omega \cdot x}} = \frac{1}{2} \tag{13}
1+eω⋅x1=21(13)
化简之后,我们可以得到最终的超平面的表达式为:
(14)
ω
⋅
x
=
0
\omega \cdot x = 0 \tag{14}
ω⋅x=0(14)
六,代码
这里的数据使用的是《机器学习实战》的数据,一共有100组数据:
-0.017612 14.053064 0
-1.395634 4.662541 1
-0.752157 6.538620 0
-1.322371 7.152853 0
0.423363 11.054677 0
0.406704 7.067335 1
0.667394 12.741452 0
-2.460150 6.866805 1
0.569411 9.548755 0
-0.026632 10.427743 0
0.850433 6.920334 1
1.347183 13.175500 0
1.176813 3.167020 1
-1.781871 9.097953 0
-0.566606 5.749003 1
0.931635 1.589505 1
-0.024205 6.151823 1
-0.036453 2.690988 1
-0.196949 0.444165 1
1.014459 5.754399 1
1.985298 3.230619 1
-1.693453 -0.557540 1
-0.576525 11.778922 0
-0.346811 -1.678730 1
-2.124484 2.672471 1
1.217916 9.597015 0
-0.733928 9.098687 0
-3.642001 -1.618087 1
0.315985 3.523953 1
1.416614 9.619232 0
-0.386323 3.989286 1
0.556921 8.294984 1
1.224863 11.587360 0
-1.347803 -2.406051 1
1.196604 4.951851 1
0.275221 9.543647 0
0.470575 9.332488 0
-1.889567 9.542662 0
-1.527893 12.150579 0
-1.185247 11.309318 0
-0.445678 3.297303 1
1.042222 6.105155 1
-0.618787 10.320986 0
1.152083 0.548467 1
0.828534 2.676045 1
-1.237728 10.549033 0
-0.683565 -2.166125 1
0.229456 5.921938 1
-0.959885 11.555336 0
0.492911 10.993324 0
0.184992 8.721488 0
-0.355715 10.325976 0
-0.397822 8.058397 0
0.824839 13.730343 0
1.507278 5.027866 1
0.099671 6.835839 1
-0.344008 10.717485 0
1.785928 7.718645 1
-0.918801 11.560217 0
-0.364009 4.747300 1
-0.841722 4.119083 1
0.490426 1.960539 1
-0.007194 9.075792 0
0.356107 12.447863 0
0.342578 12.281162 0
-0.810823 -1.466018 1
2.530777 6.476801 1
1.296683 11.607559 0
0.475487 12.040035 0
-0.783277 11.009725 0
0.074798 11.023650 0
-1.337472 0.468339 1
-0.102781 13.763651 0
-0.147324 2.874846 1
0.518389 9.887035 0
1.015399 7.571882 0
-1.658086 -0.027255 1
1.319944 2.171228 1
2.056216 5.019981 1
-0.851633 4.375691 1
-1.510047 6.061992 0
-1.076637 -3.181888 1
1.821096 10.283990 0
3.010150 8.401766 1
-1.099458 1.688274 1
-0.834872 -1.733869 1
-0.846637 3.849075 1
1.400102 12.628781 0
1.752842 5.468166 1
0.078557 0.059736 1
0.089392 -0.715300 1
1.825662 12.693808 0
0.197445 9.744638 0
0.126117 0.922311 1
-0.679797 1.220530 1
0.677983 2.556666 1
0.761349 10.693862 0
-2.168791 0.143632 1
1.388610 9.341997 0
0.317029 14.739025 0
前两列为数据,最后一列为对应数据的标签。
代码如下:
import matplotlib.pyplot as plt
import numpy as np
def read_file():
positive = []
negative = []
f = open("testSet.txt", "r")
for line in f:
l = line.strip()
l = l.split("\t")
l = [float(i) for i in l]
if l[-1] == 1.0:
positive.append([l[0], l[1], 1])
else:
negative.append([l[0], l[1], 1])
positive = np.array(positive, dtype=np.float)
negative = np.array(negative, dtype=np.float)
return positive, negative
def cost(positive, negative, w):
c = 0
for i in positive:
c += 1.0 * np.sum(np.multiply(w, i)) - np.log(1 + np.exp(np.sum(np.multiply(w, i))))
for i in negative:
c += 0.0 * np.sum(np.multiply(w, i)) - np.log(1 + np.exp(np.sum(np.multiply(w, i))))
return c
def loop():
positive, negative = read_file()
w = np.array([1, 1, 1])
w_copy = w.copy()
alpha = 0.001
for i in range(2000):
print(cost(positive, negative, w))
gradient = np.array([0., 0., 0.])
for i in positive:
gradient += 1.0 * i - (np.exp(np.sum(np.multiply(w, i))) * i) / (1 + np.exp(np.sum(np.multiply(w, i))))
for i in negative:
gradient += 0.0 * i - (np.exp(np.sum(np.multiply(w, i))) * i) / (1 + np.exp(np.sum(np.multiply(w, i))))
w = w + alpha * gradient
return positive, negative, w, w_copy
if __name__ == '__main__':
positive, negative, w, w_origin = loop()
plt.scatter(positive[:, 0], positive[:, 1], c="red")
plt.scatter(negative[:, 0], negative[:, 1], c='blue')
xs = np.linspace(-4, 3.5, 300)
ys1 = (w[0] * xs + w[2]) / (- w[1])
ys2 = (w_origin[0] * xs + w_origin[2]) / (- w_origin[1])
plt.plot(xs, ys1, c="green")
plt.plot(xs, ys2, c="yellow")
plt.show()
代码运行结果如下,其中黄色直线表示的是初始的分隔超平面,绿色的直线表示为分类超平面,可以看出,样本数据可以较好地被分隔开,第二幅图表示的是梯度上升的情况,可以看到,算法可以较好地收敛于全局最优解附近: