逻辑斯谛回归模型
1. 逻辑斯谛分布
定义:设X是连续随机变量,X服从逻辑斯谛分布是指X具有下列分布函数和密度函数:
F
(
x
)
=
P
(
X
≤
x
)
=
1
1
+
e
−
(
x
−
μ
)
/
γ
f
(
x
)
=
F
′
(
x
)
=
e
−
(
x
−
μ
)
/
γ
γ
(
1
+
e
−
(
x
−
μ
)
/
γ
)
2
F(x)=P(X\leq x)=\frac{1}{1+e^{-(x-\mu)/\gamma}} \\ f(x)=F'(x)=\frac{e^{-(x-\mu)/\gamma}}{\gamma(1+e^{-(x-\mu)/\gamma})^2}
F(x)=P(X≤x)=1+e−(x−μ)/γ1f(x)=F′(x)=γ(1+e−(x−μ)/γ)2e−(x−μ)/γ
式中,
μ
\mu
μ为位置参数,
γ
>
0
\gamma>0
γ>0为形状参数。
逻辑斯谛分布的密度函数
f
(
x
)
f(x)
f(x)和分布函数
F
(
x
)
F(x)
F(x)的图形如下图所示。分布函数属于逻辑斯谛函数,其图形是一条S形曲线(sigmoid curve)。该函数以点
(
μ
,
1
2
)
(\mu,\frac{1}{2})
(μ,21)为中心对称,即满足
F
(
−
x
+
μ
)
−
1
2
=
−
F
(
x
−
μ
)
+
1
2
F(-x+\mu)-\frac{1}{2}=-F(x-\mu)+\frac{1}{2}
F(−x+μ)−21=−F(x−μ)+21
曲线在中心附近增长速度较快,在两端增长速度较慢。形状参数
γ
\gamma
γ的值越小,曲线在中心附近增长得越快。
2. 二项逻辑斯谛回归模型
二项逻辑斯谛回归模型(binomial logistic regression model)是一种分类模型,由条件概率分布 P ( Y ∣ X ) P(Y|X) P(Y∣X)表示,形式为参数化的逻辑斯谛分布。这里,随机变量X取值为实数,随机变量Y取值为1或0.这里通过监督学习的方法来估计模型参数。
定义:二项逻辑斯谛回归模型是如下的条件概率分布:
P
(
Y
=
1
∣
x
)
=
e
x
p
(
w
⋅
x
+
b
)
1
+
e
x
p
(
w
⋅
x
+
b
)
(
1
)
P
(
Y
=
0
∣
x
)
=
1
1
+
e
x
p
(
w
⋅
x
+
b
)
(
2
)
P(Y=1|x)=\frac{exp(w·x+b)}{1+exp(w·x+b)} \quad (1)\\ P(Y=0|x)=\frac{1}{1+exp(w·x+b)} \quad(2)
P(Y=1∣x)=1+exp(w⋅x+b)exp(w⋅x+b)(1)P(Y=0∣x)=1+exp(w⋅x+b)1(2)
这里,
x
∈
R
n
x\in \bold R^n
x∈Rn是输入,
Y
∈
{
0
,
1
}
Y\in \{0,1\}
Y∈{0,1}是输出,
w
∈
R
n
w\in \bold R^n
w∈Rn和
b
∈
R
b\in \bold R
b∈R是参数,
w
w
w称为权值向量,b称为偏置,
w
⋅
x
w·x
w⋅x为w和x的内积。
对于给定的输入实例x,按照式(1)和式(2)可以求得 P ( Y = 1 ∣ x ) P(Y=1|x) P(Y=1∣x)和 P ( Y = 0 ∣ x ) P(Y=0|x) P(Y=0∣x)。逻辑斯谛回归比较两个条件概率值的大小,将实例x分到概率值较大的那一类。
有时为了方便,将权值向量和输入向量加以扩充,仍记作
w
,
x
w,x
w,x,即
w
=
(
w
(
1
)
,
w
(
2
)
,
⋅
⋅
⋅
,
w
(
n
)
,
b
)
T
,
x
=
(
x
(
1
)
,
x
(
2
)
,
⋅
⋅
⋅
,
x
(
n
)
,
1
)
T
w=(w^{(1)},w^{(2)},···,w^{(n)},b)^T, \quad x=(x^{(1)},x^{(2)},···,x^{(n)},1)^T
w=(w(1),w(2),⋅⋅⋅,w(n),b)T,x=(x(1),x(2),⋅⋅⋅,x(n),1)T。这时,逻辑斯谛回归模型如下:
P
(
Y
=
1
∣
x
)
=
e
x
p
(
w
⋅
x
)
1
+
e
x
p
(
w
⋅
x
)
(
3
)
P
(
Y
=
0
∣
x
)
=
1
1
+
e
x
p
(
w
⋅
x
)
(
4
)
P(Y=1|x)=\frac{exp(w·x)}{1+exp(w·x)} \quad (3)\\ P(Y=0|x)=\frac{1}{1+exp(w·x)} \quad(4)
P(Y=1∣x)=1+exp(w⋅x)exp(w⋅x)(3)P(Y=0∣x)=1+exp(w⋅x)1(4)
查逻辑斯谛回归模型的特点:一个事件的几率(odds)是指该事件发生的概率与该事件不发生的概率的比值。如果事件发生的概率是p,那么该事件发生的几率是
p
1
−
p
\frac{p}{1-p}
1−pp,该事件的对数几率(log odds)或logit函数是
l
o
g
i
t
(
p
)
=
l
o
g
p
1
−
p
logit(p)=log\frac{p}{1-p}
logit(p)=log1−pp
对逻辑斯谛回归而言,由式(3)与式(4)得
l
o
g
P
(
Y
=
1
∣
x
)
1
−
P
(
Y
=
1
∣
x
)
=
w
⋅
x
log\frac{P(Y=1|x)}{1-P(Y=1|x)}=w·x
log1−P(Y=1∣x)P(Y=1∣x)=w⋅x
这就是说,在逻辑斯谛回归模型中,输出Y=1的对象几率是输入x的线性函数。或者说,输出
Y
=
1
Y=1
Y=1的对数几率是由输入x的线性函数表示的模型,即逻辑斯谛回归模型。
换一个角度看,考虑对输入x进行分类的线性函数
w
⋅
x
w·x
w⋅x,其值域为实数域。注意,这里
x
∈
R
n
+
1
,
w
∈
R
n
+
1
x\in \bold R^{n+1},w\in \bold R^{n+1}
x∈Rn+1,w∈Rn+1。通过逻辑斯谛回归模型定义式(3)可以将线性函数
w
⋅
x
w·x
w⋅x转换为概率:
P
(
Y
=
1
∣
x
)
=
e
x
p
(
w
⋅
x
)
1
+
e
x
p
(
w
⋅
x
)
P(Y=1|x)=\frac{exp(w·x)}{1+exp(w·x)}
P(Y=1∣x)=1+exp(w⋅x)exp(w⋅x)
这时,线性函数的值越接近正无穷,概率值就越接近1;线性函数的值越接近负无穷,概率值就越接近0.这样的模型就是逻辑斯谛回归模型。
3. 模型参数估计
逻辑斯谛回归模型学习时,对于给定的训练数据集 T = { ( x 1 , y 1 ) , ( x 2 , y 2 ) , ⋅ ⋅ ⋅ , ( x N , y N ) } T=\{(x_1,y_1),(x_2,y_2),···,(x_N,y_N)\} T={(x1,y1),(x2,y2),⋅⋅⋅,(xN,yN)},其中, x i ∈ R n , y i ∈ { 0 , 1 } x_i\in \bold R^n,y_i\in\{0,1\} xi∈Rn,yi∈{0,1},可以应用极大似然估计法估计模型参数,从而得到逻辑斯谛回归模型。
设: P ( Y = 1 ∣ x ) = π ( x ) , P ( Y = 0 ∣ x ) = 1 − π ( x ) P(Y=1|x)=\pi (x),P(Y=0|x)=1-\pi(x) P(Y=1∣x)=π(x),P(Y=0∣x)=1−π(x)
似然函数为
∏
i
=
1
N
[
π
(
x
i
)
]
y
i
[
1
−
π
(
x
i
)
]
1
−
y
i
\prod_{i=1}^N[\pi(x_i)]^{y_i}[1-\pi(x_i)]^{1-y_i}
i=1∏N[π(xi)]yi[1−π(xi)]1−yi
对数似然函数为
L
(
w
)
=
∑
i
=
1
N
[
y
i
l
o
g
π
(
x
i
)
+
(
1
−
y
i
)
l
o
g
(
1
−
π
(
x
i
)
)
]
=
∑
i
=
1
N
[
y
i
l
o
g
π
(
x
i
)
1
−
π
(
x
i
)
+
l
o
g
(
1
−
π
(
x
i
)
)
]
=
∑
i
=
1
N
[
y
i
(
w
⋅
x
i
)
−
l
o
g
(
1
+
e
x
p
(
w
⋅
x
i
)
)
]
L(w)=\sum_{i=1}^N[y_ilog\pi(x_i)+(1-y_i)log(1-\pi(x_i))] \\ =\sum_{i=1}^N[y_ilog\frac{\pi(x_i)}{1-\pi(x_i)}+log(1-\pi(x_i))] \\ =\sum_{i=1}^N[y_i(w·x_i)-log(1+exp(w·x_i))]
L(w)=i=1∑N[yilogπ(xi)+(1−yi)log(1−π(xi))]=i=1∑N[yilog1−π(xi)π(xi)+log(1−π(xi))]=i=1∑N[yi(w⋅xi)−log(1+exp(w⋅xi))]
对
L
(
w
)
L(w)
L(w)求极大值,得到w的估计值。
这样,问题就变成了以对数似然函数为目标函数的最优化问题。逻辑斯谛回归学习中通常采用的方法是梯度下降法即拟牛顿法。
假设w的极大似然估计值时
w
^
\hat w
w^,那么学到的逻辑斯谛回归模型为
P
(
Y
=
1
∣
x
)
=
e
x
p
(
w
^
⋅
x
)
1
+
e
x
p
(
w
^
⋅
x
)
P
(
Y
=
0
∣
x
)
=
1
1
+
e
x
p
(
w
^
⋅
x
)
P(Y=1|x)=\frac{exp(\hat w·x)}{1+exp(\hat w·x)} \\ P(Y=0|x)=\frac{1}{1+exp(\hat w·x)}
P(Y=1∣x)=1+exp(w^⋅x)exp(w^⋅x)P(Y=0∣x)=1+exp(w^⋅x)1
4. 多项逻辑斯谛回归
上面介绍的逻辑斯谛回归模型是二项分类模型,用于二类分类。可以将其推广为多项逻辑回归模型(multi-nomial logistic regression model),用于多类分类。假设离散型随机变量Y的取值集合是
{
1
,
2
,
⋅
⋅
⋅
,
K
}
\{1,2,···,K\}
{1,2,⋅⋅⋅,K},那么多项逻辑斯谛回归模型是
P
(
Y
=
k
∣
x
)
=
e
x
p
(
w
k
⋅
x
)
1
+
∑
k
=
1
K
−
1
e
x
p
(
w
k
⋅
x
)
,
k
=
1
,
2
,
⋅
⋅
⋅
,
K
−
1
P
(
Y
=
K
∣
x
)
=
1
1
+
∑
k
=
1
K
−
1
e
x
p
(
w
k
⋅
x
)
P(Y=k|x)=\frac{exp(w_k·x)}{1+\sum_{k=1}^{K-1}exp(w_k·x)},\quad k=1,2,···,K-1 \\ P(Y=K|x)=\frac{1}{1+\sum_{k=1}^{K-1}exp(w_k·x)}
P(Y=k∣x)=1+∑k=1K−1exp(wk⋅x)exp(wk⋅x),k=1,2,⋅⋅⋅,K−1P(Y=K∣x)=1+∑k=1K−1exp(wk⋅x)1
这里,
x
∈
R
n
+
1
,
w
k
∈
R
n
+
1
x\in \bold R^{n+1},w_k\in \bold R^{n+1}
x∈Rn+1,wk∈Rn+1。
二项逻辑斯谛回归的参数估计法也可以推广到多项逻辑斯谛回归。