逻辑斯蒂回归与最大熵模型

概述

共同点：
都属于概率模型P(Y|X)；
对数线性模型：lnP(Y|X)=wx；在logit里面时关于x的线性函数，在最大熵里是关于x的函数的线性函数。
区别：
(1)逻辑斯蒂回归：判别模型，x为自变量
(2)最大熵模型：生成模型，y和x都有随机性， 除了P(Y|X)，样本中的经验分布：
$\overline{P}(x)$

逻辑斯蒂回归模型

二维逻辑斯蒂回归模型

$$ln\frac{P(Y=1|x)}{1-P(Y=1|x)}=w\cdot x+b（1）$$

$$P(Y=1|x)=\frac{e^{w\cdot x+b}}{1+e^{w\cdot x+b}}（2）$$

注：对于输入x，输出y∈[0,1]的二分类问题，Y取1的概率$P(Y=1|x)=f(x)\in [0,1]$
把概率属于[0,1]的模型对应到了属于(-∞，+∞)的线性模型
$$logit(f(x))=ln\frac{P(Y=1|x)}{1-P(Y=1|x)}=ln\frac{f(x)}{1-f(x)}=w\cdot x+b（3）$$

式中， $w\cdot x$∈(-∞，+∞)

通过公式（3）得到
$f(x)=\frac{e^{w\cdot x+b}}{1+e^{w\cdot x+b}}$ 即公式（2）
若$w=(w^{(1)},w^{(2)},\dots ,w^{(n)},b)$,$x=(x^{(1)},x^{(2)},\dots ,x^{(n)},1)$,则
$$P(Y=1|x)=\frac{e^{w\cdot x}}{1+e^{w\cdot x}}$$

$$P(Y=0|x)=\frac{1}{1+e^{w\cdot x}}$$

sigmoid激活函数：$f(x)=\frac{1}{1+e^{-x}}$
sigmoid的梯度消失：
$$S^{{}^{\prime }}(x)=\frac{e^{-x}}{(1+e^{-x}{)}^2}=S(x)(1-S(x))<=\frac{1}{4}$$
所以，当网络较深时，反向误差传递时，会越来越小（假设经过n次sigmod那么误差要乘以小于$(\frac{1}{4}{)}^n$的数，呈指数下降）。即只有在深处的网络层得到训练，而浅层得不到训练。
当使用的激活函数导数大于1时，会出现loss呈指数增加的现象，即会引起梯度爆炸。
一般解决梯度消失问题，可以选择relu激活函数替代sigmoid，因为relu导数为1。

模型参数估计：极大似然函数

概率模型多用 $\underline{极大似然估计}$：给定参数w，求样本的联合概率密度（似然函数），使其最大，求出w。
原理：极大似然估计是建立在极大似然原理的基础上的一个统计方法，是概率论在统计学中的应用。极大似然估计提供了一种给定观察数据来评估模型参数的方法，即：“模型已定，参数未知”。通过若干次试验，观察其结果，利用试验结果得到某个参数值能够使样本出现的概率为最大，则称为极大似然估计。
最大似然估计的目的就是：利用已知的样本结果，反推最有可能（最大概率）导致这样结果的参数值。
给定样本 T = { ( x 1 , y 1 ) , ( x 2 , y 2 ) , … , ( x N , y N ) } T=\{(x_1,y_1),(x_2,y_2),\dots,(x_N,y_N)\} T={(x1​,y1​),(x2​,y2​),…,(xN​,yN​)}, 其中 x i ∈ R n , y i ∈ { 0 , 1 } x_i\in{R^n},y_i\in\{0,1\} xi​∈Rn,yi​∈{0,1}.
设
$$P(Y=1|x)=\pi (x),P(Y=0|x)=1-\pi (x)$$
似然函数(likehood function)为：
$$P(y|x;w)=\prod _{i=1}^N[\pi (x_i){]}^{y_i}[1-\pi (x_i){]}^{1-y_i}$$

对数似然函数
$$\begin{gathered} L(w)=\sum _{i=1}^N[y_{i}log\pi (x_i)+(1-y_i)log(1-\pi (x_i))] \\ =\sum _{i=1}^N[y_{i}log\frac{\pi (x_i)}{1-\pi (x_i)}+log(1-\pi (x_i))] \\ =\sum _{i=1}^N[y_i(w\cdot x)-log(1+e^{(w\cdot x_i)})] \end{gathered}$$

对$L(w)$求极大值，得到$w$的估计值。
假设$w$的极大似然估计为$\hat{w}$，那么学到的逻辑斯蒂回归模型为
$$P(Y=1|x)=\frac{e^{\hat{w}\cdot x}}{1+e^{\hat{w}\cdot x}}$$

$$P(Y=0|x)=\frac{1}{1+e^{\hat{w}\cdot x}}$$

---

记已知的样本集为：
$X=x_1,x_2,\dots ,x_n$
似然函数（likehood function）：联合概率密度函数$P(X|\theta )$称为相对于$x_1,x_2,\dots ,x_n$的θ的似然函数。
$l(\theta )=P(X|\theta )=P(x_1,x_2,\dots ,x_n|\theta )={\prod }_{i=1}^{N}P(x_i,|\theta )$
这一概率随$\theta$的取值而变化，它是$\theta$的函数，称$l(\theta )$为样本的似然函数。
$\hat{\theta }=argmaxP(X|\theta )=argmaxP(x_1,x_2,\dots ,x_n|\theta )=argmax{\prod }_{i=1}^{N}P(x_i,|\theta )$
$lnl(\theta )$是$l(\theta )$增函数，$lnl(\theta )$和$l(\theta )$具有相同的最大值点
$$\hat{\theta }=argmaxlnl(\theta )=argmax\sum _{i=1}^{N}lnp(x_i|\theta )$$

1. 未知参数只有一个（θ为标量）
   在似然函数满足连续、可微的正则条件下，极大似然估计量是下面微分方程的解：
   $$\frac{\partial l(\theta )}{\partial \theta }=0$$ 或者等价于
   $$\frac{\partial lnl(\theta )}{\partial \theta }=0$$

2.未知参数有多个（θ为向量）
则θ可表示为具有S个分量的未知向量：
$$\theta =[{\theta }_1,{\theta }_2,\dots ,{\theta }_s]$$

记梯度算子：
$${▽}_{\theta }=[\frac{\partial }{\partial {\theta }_1},\frac{\partial }{\partial {\theta }_2},\dots ,\frac{\partial }{\partial {\theta }_s}]$$
若似然函数满足连续可导的条件，则最大似然估计量就是如下方程的解。
$${▽}_{\theta }lnl(\theta )=\sum _{i=1}^N{▽}_{\theta }lnP(x_i,\theta )=0$$

方程的解只是一个估计值，只有在样本数趋于无限多的时候，它才会接近于真实值。

---

求最大似然估计量的一般步骤：
（1）写出似然函数；
（2）对似然函数取对数；
（3）求导数(偏导)；
（4）解似然方程。
最大似然估计的特点：
1.比其他估计方法更加简单；
2.收敛性：无偏或者渐近无偏，当样本数目增加时，收敛性质会更好；
3.如果假设的类条件概率模型正确，则通常能获得较好的结果。但如果假设模型出现偏差，将导致非常差的估计结果。
添加链接描述