数据科学之机器学习12: Logisic回归

“文章原创，转载请注明出处”

---

在数据科学系列的开头，花了三篇介绍了线性回归。线性回归模型应该是定量分析中最常用的一种统计分析方法。但是线性回归处理数据时，要求因变量是连续型变量。但是很多时候，需要处理的数据，其因变量并不是连续的。像性别、对错等等，这种离散的因变量，一般称为分类响应变量。

在机器学习的介绍篇中，已经介绍了监督学习与非监督学习。在监督学习中，最主要的两类问题，一个就是回归，另一个就是分类。而Logistic回归就是处理二元分类的一种方法，当然其也存在自身的问题，这个后面再讲。

Sigmoid函数

---

要了解Logistic回归，首先需要了解一下Sigmoid函数。为什么呢？

一般来说，我们会定义二元分类变量的输出为0和1，这种函数叫做单位阶跃函数，也称Heaviside step function。这个函数的特点就是其取值可以从0突变到1，反之也可。学过数分的话就知道，这种函数有时候会非常难以处理，因为带跳突变，导致了不可微不可导。在这里，就可以借助Sigmoid函数，因为这个函数可以近似地描述单位阶跃函数的特点。首先看看Sigmoid函数：

p=exp(y)1+exp(y)=11+exp(−y)

简单看一下这个函数，当 y=0 时， p=0.5 ；当 y 变大，趋近于无穷时， y 趋近1；反之， y 趋近0。而且，这种趋近的速度是非常快的。正是因为这个趋近速度非常快，我们可以使用Sigmoid函数来处理这边的单位阶跃函数。

Logistic回归

---

利用Sigmoid函数可以将单位阶跃函数做个近似，而Sigmoid函数是连续的，那么就可以利用之前的线性回归来建立模型。

令 y=Xβ ，又 p=11+exp(−y) ，变形可得Logistic回归模型：

logit(p)=ln(p1−p)=Xβ

上述的 logit(p) 称为 logit 变换，此时 p 就是响应变量， X 就是自变量。到这，我们就可以利用线性模型对参数进行估计了。

统计中的解释

---

这里面的 p 除了利用Sigmoid函数来解释之外，还可以利用统计中的二项分布来解释，而且从某种角度来说，这个解释会更便于理解。试想，我们这边需要处理的二元分类变量就是0和1。我们考虑0就是“不发生”，1就是“发生”，那么我们可以将前面的 p 理解成发生的概率。通过对已知数据建立模型，估计出参数，我们就可以利用模型去预测在不同的自变量条件下，“发生”的概率是多大，从而达到一个分类的目的。

从这边的分析就可以看到，Logistic回归的缺点：那就是欠拟合，会导致分类的精度下降。

R语言实现

---

因为这个属于线性回归的一种变形，所以求解的方式直接借用线性回归即可。

当然，也存在其它的方法。因为Logistic回归是属于广义线性回归模型的，在R中有专门处理广义线性模型的函数glm：

1	model <- glm(formula, family=binominal(link = logit), data=data.frame)

这里处理的方式中，利用了连接函数(link=logit)，感兴趣的话可以找找广义线性模型的内容看看，当然，以后如果介绍统计模型的话，这个肯定也是必讲得内容。

转自：http://jackycode.github.io/blog/2014/04/27/logistic-regression/