一、Logistic Regression 概念
逻辑回归(Logistic Regression, LR)模型其实仅在线性回归的基础上,套用了一个逻辑函数,但也就由于这个逻辑函数,使得逻辑回归模型成为了机器学习领域一颗耀眼的明星。简单理解就是如果我们用线性回归方程得到如果我们令
,那么这个问题就变成了一个logistic regression问题了。它就具备有分类的功能了。如果我们定义一个分类y=0 or 1,我们记
为1,而
为0的话,这样我们就把问题分成两类了。当然在Andrew Ng课程中定义了一个函数h(x)其值域就是[0,1]。在网上查找有的说可以理解为概率及,我们得到y=0的概率为h(x),有些人说不是概率,就我自己理解我更偏向于概率,感觉andrew ng讲解的时候就是按照概率来理解的。
二、Logistic Regression 模型
在上面我们说过了我们要找到一个函数在使得值域始终为[0,1],在课程中选取的是
,即sigmoid function。至于为什么这么选择,我也不清楚。wiki上面倒是讲到了这个函数(http://en.wikipedia.org/wiki/Logistic_function , http://en.wikipedia.org/wiki/Sigmoid_function)。然后如果我们令
那么我们定义一个新函数
,其图像类似于我们高中生物学习的S曲线
然后
。其实就相当于把原来的函数化为一个复合函数了。这样当h(x)>some value时候对应着z也有相应的值,这个就相当于我们在概率中的条件假设,
三、基本公式
四、决策边界
上面我们说过了对于一次分类(假设为),其对应的z应该会有一个范围,当然对于上面的sigmoid function 就是z>0了即
如果
那么就是
,这样就构成了一个决策边界,其决策边界就是一条直线了。
五、cost function
为了匹配数据点,我们又需要一个衡量匹配程度的函数,就像 回归问题一样的cost 函数. 于是同理我们可以得到
于是我们急切地想要把它用我们之前的gradient descent 的方法求解出使cost 最小的两个a,b值。 但是很遗憾的是, 这个cost函数关于a,b,是非凸(non-convex)的。 就像下面那张图那样坑坑洼洼。。。
有人说这个是通过最大似然估计得到的,最大似然估计表示对于样本其同时发生的概率。
于是最大似然函数为:
六、问题
求最大值为求导然后导数为0即可。这个式子和cost function 确实很是相似,但是不知道是我理解的最大似然有差别还是什么的,这个我觉得最大似然估计是研究所有的事件同时发生的最大概率,这个和cost function的定义刚好相反,所以我觉得这个不能这么去理解,而是应该随着问题变化而定义的,具体过程在andrew ng 课程上面有解释。