机器学习——Logistic回归

目录

一：Logistic回归简介

1.2梯度上升法

 1.2.1训练算法：使用梯度上升找到最佳参数

1.2.2 分析数据：画出决策边界

1.2.3训练算法：随机梯度上升

1.2.4 改进的随机梯度上升算法

 二：数据集测试

三：实验总结

---

一：Logistic回归简介

        Logistic回归是统计学习中的经典分类方法，属于对数线性模型，所以也被称为对数几率回归。该模型是一种分类算法，Logistic回归是一种线性分类器，针对的是线性可分问题。我们要了解Logistic回归进行分类的主要思想是：根据现有的数据对分类边界线建立回归方程，然后以此进行分类。这里回归一词源于最佳拟合参数，表示要找到最佳拟合参数集。

        Logistic回归的优点在于计算代价不高，易于理解和实现。缺点是容易发生欠拟合现象，分类的精度不高。适合于数值型和标称型数据进行分类。

1.1基于Logistic回归和Sigmoid函数的分类

        我们想要的函数应该是: 能接受所有的输入然后预测出类别。例如，在两个类的情况下，上述函数输出 0 或 1。有一个函数具有类似的性质（可以输出 0 或者 1 的性质），且数学上更易处理，这就是 Sigmoid 函数。 Sigmoid 函数具体的计算公式如下:

         我们可以在每个特征上都乘以一个回归系数，然后将所有值累加，将中国总和带入Sigmoid 函数中，得到一个范围在[0,1]的数值，小于0.5归为0类，导游0.5归为1类。所以Logistic回归可以看出是一种概率估计。

        Sigmoid 函数的函数输入记为z，由下面公式得出：

 采用向量的写法可以写成，它表示 将两个数值向量对于元素相乘然后相加得到z值。x为分类器输入数值，w为我们要找的最佳参数。

1.2梯度上升法

        梯度上升法的基本思想是：找到某个函数的最大值，最好的方法是沿着该函数的梯度方向探寻，梯度记为，那么f（x,y）的梯度由下面表示：

         这个梯度意味着沿着x的方向移动，沿着y的方向移动,其中f(x,y)必须在待计算的点上有定义并且可微。下图是一个具体的例子。从p0开始，计算改点的梯度，然后根据梯度移动到下一个点p1。在p1点，在次计算梯度，并根据新的梯度方向移动到p2。如此循环迭代，直到满足停止条件。迭代的过程中，梯度算法总是保证我们选取到最佳的移动方向。