【机器学习】逻辑回归

1 逻辑回归基础理论

逻辑回归（Logistic regression）又叫对数几率回归，是一个分类模型。主要进行二分类。在线性回归的基础上进行一个sigmoid变换，于是得到逻辑回归模型。逻辑回归输出值在(0,1) 之间，直观含义是y=1的概率。

逻辑回归假设数据服从伯努利分布，通过极大似然函数的方法，运用梯度下降来求解参数，来达到将数据二分类的目的。

1.1 公式

$$y=\frac{1}{1+e^{-({\theta }^{T}X+b)}}$$
也可以写成：
$$ln\frac{y}{1-y}={\theta }^{T}X+b$$
从上式可以看出，逻辑回归实际是用线性回归拟合真实标签的对数几率。
 
 

1.2 sigmoid函数

理想的二分类函数为阶跃函数，然而其不连续，于是找到一定程度上近似单位阶跃函数的替代函数，并希望它单调可微。
$$g(z)=\frac{1}{1+e^{-z}}$$

sigmoid函数的特点是：

1. 取值永远在0,1之间
2. 输出值在z=0附近变化陡峭，远离0时变化平缓

 

1.3 逻辑回归的优缺点和适用数据

优点：模型简单简单，可解释性强。计算速度快，存储资源底。对线性关系拟合效果好。
缺点：容易欠拟合，分类精度可能不高。因为本质是线性分类器，无法应对较为复杂的数据。
适用数据：数值型和标称型数据。
 

1.4 损失函数

虽然逻辑回归源于线性回归，但是并不会用线性回归的MSE作为损失函数，因为如果使用MSE的话得到的是一个非凸函数(non-convexfunction)，这将影响梯度下降算法寻找全局最小值。

逻辑回归的参数估计方法为极大似然法(maximum likelihood method)，即令每个样本属于其真实标签的概率越大越好。
m个样本服从伯努利分布，其概率密度函数为：
$$p(y|x,\theta )=h_{\theta }(x{)}^y(1-h_{\theta }(x){)}^{1-y}$$
极大似然即为求联合概率密度最大值：

$$L(\theta )=\prod _{i=1}^{m}p(y_i|x_i,\theta )$$

负对数似然函数即为损失函数，表达式为：
$$J(\theta )=-\frac{1}{m}\sum _{i=0}^m(y_i\ast log(h_{\theta }(x_i))+(1-y_i)\ast log(1-h_{\theta }(x_i)))$$
其中，m表示样本数，$y_i$是真实标签，$h_{\theta }(x_i)$是基于参数θ的预测值。

该损失函数的优化方法最常见的有梯度下降法，坐标轴下降法，等牛顿法·等。
梯度下降算法为：

Repeat : { ${\theta }_j:={\theta }_j-\alpha \frac{\partial }{\partial {\theta }_j}J(\theta )$} ($\theta$所有分量同时更新)

 

1.5 偏导数的推导

( y i ∗ l o g ( h θ