Logistic回归

一、算法思想：

       根据现有数据对分类边界建立回归公式，以此进行分类。这里‘回归’一词源于最佳拟合，表示要找到最佳拟合参数集，训练分类器时的做法就是寻找最佳拟合参数集，使用的是最优化算法。

二、Logistic回归的一般过程

      1、收集数据：采用任意的方法收集数据

      2、准备数据：由于需要进行距离计算，因此要求数据类型为数值型。另外，结构化数据格式最佳。

      3、分析数据：采用任意方法对数据进行分析。

      4、训练算法：大部分时间将用于训练，训练的目的是为了找到最佳的分类回归系数

      5、测试算法：一旦训练步骤完成，分类将会很快

      6、使用算法：首先，我们需要输入一些数据，并将其转换成对应的结构化数值；接着，基于训练好的回归系数就可以对这些            数值进行简单的回归计算，判定他们属于哪个类别；在这之后，我们就可以在输出的类别上做一些其他分析工作。

三、模型的优缺点

      优点：计算代价不高，易于理解和实现

      缺点：容易欠拟合，分类精度可能不高

      适用数据类型：数值型和标称型数据

四、算法的实现

      1、基于Logitic回归和Sigmoid函数分类

          我们想要的函数应该是，能接受所有的输入点后预测出类别。例如，在两个类的情况下，上述函数输出0或1。该类函数称为海维塞德阶跃函数，或者直接称为单位阶跃函数。然而海维塞德阶跃函数的问题在于：该函数在跳跃点上从0瞬间到1，这个瞬间跳跃过程有时很难处理。此时，我们采用另外一个函数进行该处理过程，即Sigmoid函数。具体计算公式如下：

                                                        

       当x为0时，Sigmoid函数值为0.5.随着x的增大，对应的Sigmoid值将逼近于1；而随着x的减小，Sigmoid值将逼近于0。如果横坐标刻度足够大，Sigmoid函数看起来很像一个阶跃函数。

       因此，为了实现Logitic回归分类器，我们可以在每个特征上面都乘以一个回归系数，然后把所有的结果都相加，将这个总和带入Sigmoid函数中，进而得到一个范围在0~1之间的数值。任何大于0.5的数据被分入1类，小于0.5的数据被分入0类。所以，Logitic回归也被看成是一种概率估计。

       2、基于最优化方法的最佳回归系数确定

            Sigmoid函数的输入记为z，由下面的公式得出：