SGDClassifier和LR,SVM的区别

版权声明：本文为CSDN博主「tianbwin2995」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/tianbwin2995/article/details/51853869

 

看了许多文献，以及最近的项目经验，终于真正地搞懂了LR。

以前总听大家说，看你对机器学习搞得透彻不透彻，就看你逻辑回归理解得怎么样；自己是统计出身的我，一直很有自信，以为无非就是个极大似然估计，求那个似然函数的极大值而已。然而实际上，这个之中也有很多的说法在里面，比如，求参数的方法。

在逻辑回归中，我们极大似然估计的参数是可以通过“极大化该参数值”得到的，然而得到参数之后，并不代表我们就完成了，因为成千上万的样本，我们的参数要“收敛”才是一个稳定的model。

那么问题来了，怎样更新我的参数，让其收敛呢？ 
有两种方式：在sklearn的LogisticRegression里，是通过每次增加负样本权重【】的方式，让样本“重新排列”，之后得到了一个新的theta，直到两次样本基本上都不怎么变。 
在sklearn里，还有一个分类器，之前一直没搞懂，感觉跟logistic回归的结果啊，目的啊都是一样的啊，那么它出现的意义是什么？ 
后来我重新读了一遍，发现LR那里面的参数没有学习率，衰减率，等等。

让我突然意识到这个LR的参数好像不是通过梯度下降求的。

后面这个SGDClassification，里面有learning rate，有decay等等，后来发现，是通过真正的梯度下降来求参的。【名称也就是“随机梯度下降”】

然后，看见许多人都说，在大规模数据下，基本上都要用到梯度下降的方法。

【以下转自“机器学习算法一览，应用建议与解决思路 ”】

3.3 关于大数据样本集和高维特征空间

我们在小样本的toy dataset上，怎么捣鼓都有好的方法。但是当数据量和特征样本空间膨胀非常厉害时，很多东西就没有那么好使了，至少是一个很耗时的过程。举个例子说，我们现在重新生成一份数据集，但是这次，我们生成更多的数据，更高的特征维度，而分类的类别也提高到5。 
3.3.1 大数据情形下的模型选择与学习曲线

在上面提到的那样一份数据上，我们用LinearSVC可能就会有点慢了，我们注意到机器学习算法使用图谱推荐我们使用SGDClassifier。其实本质上说，这个模型也是一个线性核函数的模型，不同的地方是，它使用了随机梯度下降做训练，所以每次并没有使用全部的样本，收敛速度会快很多。再多提一点，SGDClassifier对于特征的幅度非常敏感，也就是说，我们在把数据灌给它之前，应该先对特征做幅度调整，当然，用sklearn的StandardScaler可以很方便地完成这一点。

SGDClassifier每次只使用一部分(mini-batch)做训练，在这种情况下，我们使用交叉验证(cross-validation)并不是很合适，我们会使用相对应的progressive validation：简单解释一下，estimator每次只会拿下一个待训练batch在本次做评估，然后训练完之后，再在这个batch上做一次评估，看看是否有优化。 
【转载结束】

然后，在VW中，实际上也就是优化了一个SGD，因为VW里的参数基本上都是各种学习率。

所以说，我理解，VW实际上就是一个优化了的，通过梯度下降的方法来解决各种求解loss function的分类器。

如果loss function是hinge loss 那么就是SVM

如果是log 那就是LR

如果是square 平方误差，那么就是线性回归

如果是quantile，那么就是求解中位数的线性回归

如果是0-1损失 就是说“计数缺失了多少”，那么【在vw后面加binary】

【以下转自知乎】 
1.数据集很大还是优先考虑 SGD regressor。 
尤其特别大数据集，SGD外，几乎别无他法。跑不动。 
2.不是特别特别大的， 
先试试岭回归或linear kernal的SVR。 
3.不管用，换RBF kernal或者Ensemble regressor。 
4.如果有important features要先feature selection，则适用Lasso，ElasticNet。同样是指非特大数据集。

作者：Fu Tiffany 
链接：https://www.zhihu.com/question/21704547/answer/74404131 
来源：知乎 
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

总结

用自己语言总结一下，可能不全面，有机会再补充： 
1. LR有两种求参数的方法，一种是梯度下降，一种是改变正负样本权重。梯度下降的时候，把特征归一化会有利于梯度的下降【参见知乎：为什么 feature scaling 会使 gradient descent 的收敛更好?https://www.zhihu.com/question/37129350】扁平的梯度下降的方向不是真正速率最快的方向。 
2. FTRL用的就是随机梯度下降SGD（OGD）的方法，它不同点在于每个特征都是独立随机下降的。而且会根据某个特征出现的比例来加载权重的。因此会导致某几个特征出现的值很大，影响评分。【因为负样本的存在】 
3. LR输出的是样本的概率 
4. BFGS用的是拟牛顿的办法，模仿了逆hessian矩阵。避免了存储逆hessian矩阵。 
5. LR和SVM的区别：SVM寻求的是一个超平面，因此并不是每个样本都对其平面有影响；LR是每个样本点对超平面都有影响。SVM是无法输出概率的，得到的也是距离超平面的一个距离的函数。【libsvm也是一个距离的测度，求解的时候也是转换成lr再求解的】 
6. SVM必须中心化，因为这是跟“距离”有关的，不正规化之后会出问题 
7. LR的损失函数是log loss SVM的损失函数是hinge LOSS
————————————————