从一个简单的数据集学习Logistic Regression

Logistic Regression

Logistic Regression是一种被广泛使用的分类算法，通过训练数据中的正负样本，学习样本特征到样本标签之间的假设函数。

通常用于将数据映射到不同类别的函数成为阈值函数，常用的阈值函数为Sigmoid函数，形式为：
$$f(x)=\frac{1}{1+e^{-x}}$$
Sigmoid函数的图像：

从Sigmoid的图像可以看出函数的值域为(0,1),在0附近变化比较明显

Sigmoid函数的python代码：

def sig(x):
    '''Sigmoid函数
    input:  x(mat):feature * w
    output: sigmoid(x)(mat):Sigmoid值
    '''
    return 1.0 / (1 + np.exp(-x))

因此对于输入向量X，其属于正例和反例的概率为：
$$\begin{gathered} 正例的概率：P(y=1|X,W,b)=\frac{1}{1+e^{-（WX+b）}} \\ 反例的概率：P(y=1|X,W,b)=\frac{e^{-(WX+b)}}{1+e^{-（WX+b）}} \end{gathered}$$
对于Logistic Regression算法来说，如何定义W和b使得算法最优？(什么是最优)

为了求解最优的权重矩阵W和偏置向量b，需要定义损失函数

对于上述的Logistic Regression算法，属于类别 y 的概率是
$$P(y|X,W,b)=\sigma (WX+b{)}^y(1-\sigma (WX+b){)}^{1-y}$$
其中 σ 表示的是Sigmoid函数。

在此用极大似然法进行估计。假设训练数据集有m个训练样本{ {X1,Y1},{X2,Y2},……{Xn,Yn}},则其似然函数为：
L W , b = ∏ i = 1 m [ h W , b ( X i ) y i ( 1 − h W , b ( X i ) ) 1 −