线性模型和逻辑回归

作者：离散梦

欢迎大家给出宝贵的建议！

 

线性模型和逻辑回归

 

一、前言

 

      和以前一样，主要目的还是整理总结自己的思路。同时，初学者也可以看看我的思路，希望可以得到一定的启发。当然希望能给我提出点建议，或者问题，我愿意在学习过程中和大家交流。

 

 

二、正题

 

 

接下来进入正题，今天我要讲的是，线性模型和逻辑回归。我之所以想写这篇博客，是因为我从视频上学习到之后，觉得这个方式简单易懂，刚好上课分到的任务也是讲这一章，所以查阅了不少资料，准备了一段时间。

 

首先，我们要学习这门课程，我想，应该先了解一下什么是回归和分类？

分类和回归区别在于输出变量的类型：

（1）定量输出称为回归，或者说是连续变量的预测；

（2）定性输出称为分类，或者说是离散变量预测。

 

举个例子：

预测明天的气温是多少度，这是一个回归任务。

预测明天是阴、晴还是雨，就是一个分类任务。

 

综上：

回归问题和分类问题的本质是一样的，不同仅在于他们的输出的取值范围不同。分类问题中，输出离散化；而在回归问题中，输出连续化。

 

1.线性回归：是一种监督学习下的线性模型

 

1.1下面结合一个例子来做分析：

 

我们去银行贷款，至于银行要贷款多少钱给你，要根据每个客户的条件来定。下面就取两个属性：工资和年龄。假设根据银行规定，如下图所示：

 

 

让属性工资为x1，属性年龄为x2，因为每个属性占的权重不一样，分别用  来表示，不同的特征乘以不同的权重，组合起来，得到最终的结果。

至于这个公式怎么来的？就是假定了第三个属性x3，且值全为1，与权重  相乘。所以得到下面这个式子。

但是通过机器学习建立模型之后，预测得出来的结果可能与上图给出的额度有出入，预测值可能偏高也可能偏低，但是大部分预测误差不会太离谱，可控范围。所以这就存在一个误差我们假定为 

所以就得出下面的公式  ，y（i）为真实值，h（x）为预测值。

 

误差是独立并且具有相同的分布通常认为服从均值为0方差为 的高斯分布（正态分布）。

高斯分布图：

大部分都集中在中间那部分，只有小部分在两边。

 

 

下面根据我自己的理解解析一下这句话：

 

独立：每个样本都是单独的，独立的，没有联系。我去银行借钱和你去银行借钱没有关系。

相同的分布：指定一个误差范围，认为是高斯分布。

均值为0：        

方差：，这个是根据输入来定的，所以我们暂定。

 

 

 

1.2 公式及其推导

 

 

 

下面解析：

 

意思是找出什么样的值和x(i)组合完之后越接近于y(i)的概率值越大的。

 

这里

exp为e

P(e^(i))可以看成f(x)

e^(i)可以看成x

是似然函数。

表示累乘。

 

所以我们就想要求最大，这个式子是累乘的，计算难度很大，我们要化简吧。

这时候我们推出了一个对数似然函数。因为对数里面值的相乘等于相加吧。这样就好算多了。

 

累乘难计算把它化简：

 

Loss函数原型：求极值

 

 

这里涉及了矩阵求导，可以留言，我可以解析一下。

 

 

2.逻辑回归（LR）：

 

2.1 公式及视图

 

 

 

取值区间：

x∈（-∞，+∞）

y∈  [0,1]

大于0.5，属于1这个类别。

小于0.5，属于0这个类别。

 

2.2 公式求导：

 

 

 

 

注意：

逻辑回归虽然叫回归，但是实际上是个分类的算法。是最经典的解决二分类问题的算法。从来不用作回归的!