这一章将主要讨论分类问题,相比于回归问题,分类问题的预测值
y
并非连续的数,而是一些离散的数值。现在我们会集中在二项分类问题(即只有0和1两个值),二项问题中的结论大部分都可以推广到多类问题中。比如,我们要构造一个垃圾邮件分类器,
5 逻辑回归
如果解决分类问题时先忽略
y
是离散值得限定,用老的线性回归方法去拟合曲线就会发现构造的模型表现很差。直观来说,当我们知道
为了达到这个目标,我们需要变换 hθ(x) 的形式:
其中:
被称为逻辑函数或sigmoid函数,下面是一个逻辑函数的曲线图:
逻辑函数的值域就在(0,1)之间,除此以外逻辑函数还有一个很优秀的性质就是方便求导:
对当前的回归模型,我们应该如何选择参数 θ 呢?接下来我们会证明在一系列概率假设后,最小方差回归会是这个模型的极大似然估计量。
我们不妨先假设,输出y为0或1的概率分别是:
则y的概率密度公式可写为:
假设m个样本是独立生成的,我们可以写下它们的似然函数:
再化简为对数似然函数:
我们应该如何求解极大似然?和之前的线性回归类似,我们可以使用梯度上升法。用向量标记表示我们每一步的更新: θ:=θ+α∇θℓ(θ) 。我们先计算对数似然函数的梯度:
上面的推导中用到了 g′(z)=g(z)(1−g(z)) 这一结论。那我们的随机梯度上升法:
如果把这个公式和LMS更新方法比较,会发现形式上几乎是一致的。但要注意它们不是同一种算法,因为这次的假设 hθ(x) 是以 θTx 为输入的非线性函数。但他们更新步骤上一致性,到底是一种巧合还是有某些深层原因呢?这点在后面的广义线性模型中会详细论述。