对数几率回归

前人栽树，后人乘凉，既然前人已经完成了的工作，我觉得没必要做重复的工作，“拿来主义”对于我个人的入门和学习是必要的。在此谢谢他们。内容来自：https://blog.csdn.net/hongbin_xu/article/details/78270526，如果有侵权，联系我删除。

理论推导

在以前的博客（机器学习入门学习笔记：（2.1）线性回归理论推导 ）中推导了单元线性回归和多元线性回归的模型。
  将线性回归模型简写为：$y={\omega }^{T}x+b$；
  对数线性回归模型可以写成：$\ln (y)={\omega }^T+b$；本质上仍然是线性回归，只不过拟合的是非线性的ln函数了。
  更一般地，考虑单调可微函数$g(.)$，令$y=g^{-1}\left({\omega }^{T}x+b\right)$；这个模型就叫做广义线性回归模型。
  对于二分类任务，输出标记为 y ∈ { 0 , 1 } y \in\{0,1\} y∈{0,1}，而线性回归的预测结果$h(x)={\omega }^{T}x+b$，很明显是一个连续值，所以需要将其转换为0/1值。
   所以要用到单位阶越函数：$$y=\{\begin{array}{l}0,h(x)<0\\ 0.5,h(x)=0\\ 1,h(x)>0\end{array}$$

即，若预测值大于0，就判为正例；若预测值小于0，就判为负例；临界值处，任意判别。
  我们都知道，阶跃函数不可导，不连续，而$g^{-1}(.)$必须是一个可微的函数，所以阶跃函数不能用作$g^{-1}(.)$，还需要找一个连续函数代替阶跃函数。
  我们常用对数几率函数（logistic function）来进行替代：
$$y=\frac{1}{1+e^{-z}}$$

画出图形会看到它形似S，所以也是一种sigmoid函数。
  把对数几率函数作为$g^{-1}(.)$，代入到广义线性回归的公式中：
$$y=\frac{1}{1+e^{-\left({\omega }^{T}x+b\right)}}$$

做一些化简，可以得到：
$$\ln \left(\frac{y}{1-y}\right)={\omega }^{T}x+b$$

其中，y是正例的可能性，(1-y)是负例的可能性。
  那么，这个$\ln \left(\frac{y}{1-y}\right)$其实就是“对数几率”，等式右边的是什么不用说了吧。可以看出，对数几率回归实质上就是使用线性回归模型$\left({\omega }^{T}x+b\right)$来逼近这个对数几率$\left(\ln \left(\frac{y}{1-y}\right)\right)$。
  好的，那么问题来了。如何求解出这个模型中的未知参数ω和b呢？
  只考虑二分类的情况下，将y换成后验概率$P(y=1|x)$来表示，同理1-y可以换成$P(y=0|x)$。
  则有：
$\{\begin{array}{l}\ln \left(\frac{P(y-1|x)}{P(y-0|x)}\right)={\omega }^{T}x+b\\ P(y=1|x)+P(y=0|x)=1\end{array}$

解得：
$\{\begin{array}{l}P(y=1|x)=\frac{e^{x}x+b}{1+e^{x^{T}x+b}}\\ P(y=0|x)=\frac{1}{1+e^{x^{x}x+b}}\end{array}$

通过极大似然法来估计ωω和bb：
$L(\omega ,b)={\sum }_{i=1}^m\ln \left(P\left(y_i|xi;\omega ,b\right)\right)$

为表述方便，使用一个新矩阵ββ来表示ω和b，令 β = { ω , b } \beta=\{\omega ,b\} β={ω,b}。
  同时也要给x矩阵补上一列1，令 x ′ = { x , 1 } x^{\prime}=\{x \quad, 1\} x′={x,1}。因为要对应参数b，补上1，保证结果不变。
  那么，${\omega }^{T}x+b={\beta }^T{x}^{\prime }$。
  由于是二分类，即只有y=0和y=1的情况，那么可以将似然项重写为y=0和y=1的情况相加：
$p\left(y_i|x_i;\beta \right)=y_i\times p\left(y=1|x_i^{\prime };\beta \right)+\left(1-y_i\right)\times p\left(y=0|x_i^{\prime };\beta \right)$
  ”西瓜书“上是这么写的，当然这样也不难理解。其实为了后面推导方便和容易理解，我们可以换成对数几率的形式来表示，原理依然是一样的，无非是加了个对数：
$$\ln \left[p\left(y_i|x_i;\beta \right)\right]=y_i\times \ln \left[p\left(y=1|x_i^{\prime };\beta \right)\right]+\left(1-y_i\right)\times \ln \left[p\left(y=0|x_i^{\prime };\beta \right)\right]$$

将上式代入到前面极大似然的公式中：$$L(\beta )=\sum _{i=1}^m\ln \left(P\left(y_i|xi;\beta \right)\right)$$
  联立前面推出的后验概率的结果：
$$\{\begin{array}{l}P(y=1|x)=\frac{e^{x^{T}x+b}}{1+e^{x^{T}x+b}}\\ P(y=0|x)=\frac{1}{1+e^{x^{T}x+b}}\end{array}$$

得到最后的结果：
$$L(\beta )=\sum _{i=1}^m\left(y_i{\beta }^T{x}_i^{\prime }-\ln \left(1+e^{{\beta }^T{x}_i^{\prime }}\right)\right)$$
  由于是极大似然，我们需要求出其极大值，所以有：
￥$${\beta }^{\ast }={\mathrm{argmax}}_{m}L(\beta )$$
  求出使L(β)最大的最优解等价于求出使−L(β)最小的解，所以有：
$$\begin{array}{rl}{\beta }^{\ast }& ={\mathrm{argmax}}_{m}L(\beta )={\mathrm{argmin}}_{m}L(\beta )\\ & =\sum _{i=1}^m\left(-y_i{\beta }^T{x}_i^{\prime }+\ln \left(1+e^{{\beta }^T{x}_i^{\prime }}\right)\right)\end{array}$$
  最后可以通过凸优化中的梯度下降法、牛顿法等方法来求出L(β)L(β)函数的最优解β∗β∗。