机器学习笔记【二】逻辑回归与分类(2)：感知机学习算法与逻辑回归的区别,牛顿方法

本节为吴恩达教授机器学习笔记第二部分:逻辑回归与分类(2)-感知机学习算法与逻辑回归的区别,牛顿方法。

2. 感知机学习算法与逻辑回归的区别

  区别1：这两位都是线性分类器，但是逻辑回归使用对数损失函数，而感知机使用的是均方损失函数(即错误点到分离平面的距离，最小化该值)。
  区别2：逻辑回归的激活函数也与感知机不同，前者是sigmoid函数，后者是一个阶跃函数：

  这就导致逻辑回归连续可导，使得最终结果有了概率解释的能力。而阶跃函数是一个分段函数非0即1，分类粗糙。
  那问题又来了，针对第一个区别，为什么逻辑回归不能用均方损失左损失函数呢？
  我们设想可以，则优化的目标函数为：

  这个目标函数是非凸的，不容易求解，会得到局部最优。而用极大似然，对数似然函数是高阶连续可导凸函数，方便用梯度下降或者牛顿方法等凸优化方法来进行优化。
  此外，综合线性回归，逻辑回归和感知机学习。

• 感知机算法仅在线性可分条件下有效，非线性则需要pocket算法
• 线性回归容易优化，在0/1错误下对于|ys|有比较宽松的VC维界
• 逻辑回归同样容易优化，在0/1错误下对于$ys<<0$有比较宽松的VC维界
    这里问题又来了，啥是VC维界，详细可以这篇文章解读机器学习基础概念：VC维的来龙去脉，简单来说就是VC维反映了假设空间的强大程度。VC维越大，H越强，即可以打散更多的点。

3. 牛顿方法

  该节介绍了另一种最大化对数似然函数的方法，牛顿方法，它本质上是近似求解方程根的方法，对参数的更新规则如下，找到某个$\theta$使得$f(\theta )=0$，

  如果要最大化目标函数，可以令:

  即最大值时一阶导数为0，得到新的参数更新规则：

  因为逻辑回归中的参数$\theta$时向量，所以进一步对牛顿方法进行推广到多维，得到牛顿-拉夫森方法：

  其中，${\nabla }_{\theta }l(\theta )$表示偏导，$H$是$n\times n$矩阵，称为Hessian矩阵：

  牛顿方法收敛速度优于梯度下降，但是需要计算的Hessian矩阵，所以只要$n$的值比较小，牛顿方法就更好。使用牛顿方法最大化对数似然函数的方法也称为Fisher scoring。

---

欢迎扫描二维码关注微信公众号 深度学习与数学   [每天获取免费的大数据、AI等相关的学习资源、经典和最新的深度学习相关的论文研读，算法和其他互联网技能的学习，概率论、线性代数等高等数学知识的回顾]