4、逻辑回归(LR)

最新推荐文章于 2024-03-06 11:53:27 发布

healed萌

最新推荐文章于 2024-03-06 11:53:27 发布

阅读量50

点赞数 1

分类专栏：机器学习文章标签：逻辑回归算法机器学习

本文链接：https://blog.csdn.net/m0_56642803/article/details/134576883

版权

机器学习专栏收录该内容

30 篇文章 0 订阅

订阅专栏

1 逻辑回归原理

（1）理论原理

逻辑回归也称作logistic回归分析，是一种广义的线性回归分析模型，属于机器学习中的监督学习。其推导过程与计算方式类似于回归的过程，但实际上主要是用来解决二分类问题（也可以解决多分类问题）。通过给定的 $n$ 组数据（训练集）来训练模型，并在训练结束后对给定的一组或多组数据（测试集）进行分类。其中每一组数据都是由 $p$ 个指标构成。

逻辑回归（Logistic regression 或logit regression），即逻辑模型（英语：Logit model，也译作“评定模型”、“分类评定模型”）。常用于做数据的初步判断，（推荐算法，医疗诊断等），是通过线性模型完成分类效果（线性可分）。

线性回归：尽可能让样本点和模型线重合
逻辑回归：尽可能让样本点远离模型线，模型线的两侧是两个类别，样本距离模型线越远越好

（2）sigmoid 函数

sigmoid将线性问题转化为概率问题，将结果值压缩到0-1之间（0负，1正）。
$b\\ f(z) = \dfrac{1}{1 + e^{-z}}\\ f(z)' = f(z)(1-f(z))$

sigmoid函数，代表的是样本为正类别的概率，在阈值0.5范围之间梯度大，会将数据值尽可能的分到0或1的位置

阈值区分如果 $s i g m o i d$ 求出的结果大于0.5，就是正类别，否则就是负类别
在这里插入图片描述

2 损失函数

2.1 损失函数推导

极大似然估计：事情已经发生了，当未知参数等于多少时，能让这个事情发生的概率最大，执果索因。如果我们想要让所计算的结果更准确，就可以将每次计算的结果进行相乘，让最后的概率最大即可。

（1）样本为0-1时

某样本属于正例的概率表示为
$P(y_{i}=1|x_{i})=\dfrac{exp(w\bullet x_{i})}{1+exp(w \bullet x_{i})}$
某样本属于负例的概率表示为
$P(y_{i}=0|x_{i})=\dfrac{1}{1+exp(w \bullet x_{i})}$
其中， $w = (w^{(1)},w^{(2)},…, w^{(n)},b)^T ， x_i = (x_i^{(1)},x_i^{(2)}…,x_i^{(n)},1)^T$ 。因此，似然函数为：
$\prod_{i=1}^{N}[P(y_{i}=1|x_{i})]^{y_{i}}[P(y=0|x_{i})]^{1-y_{i}}$
求似然函数最大，加负号求最小，得到代价函数为：
$Cost(w)=-\frac{1}{N}\sum_{i=1}^{N}[y_{i}{\log}P(y_{i}=1|x_{i})+(1-y_{i}){\log}P(y_{i}=0|x_{i})]\\ =-\frac{1}{N}\sum_i^N[y_i*{\log}\frac{P(y_{i}=1|x_{i})}{P(y_{i}=0|x_{i})}+{\log}P(y_{i}=0|x_{i})]\\ =-\frac{1}{N}\sum_i^N[y_i*(w \bullet x_i)-\log(1+\exp(w \bullet x_i))]$
再用梯度下降法反解 $w$

（2）样本为-1 和1时

某样本属于正例的概率表示为
$P(y_{i}=1|x_{i})=\dfrac{exp(w \bullet x_{i})}{1+exp(w \bullet x_{i})}$
某样本属于负例的概率表示为
$P(y_{i}=-1|x_{i})=\dfrac{1}{1+exp(w \bullet x_{i})}$
因此，似然函数为：
$\prod_{i=1}^{N}\frac{1}{1+exp(-y_{i}w \bullet x_{i})}$
代价函数为：
$Cost(w)=-\frac{1}{N}\sum_{i=1}^{N}{\log}(1+exp(-y_{i}w \bullet x_{i}))$
再用梯度下降法反解 $w$

似然函数加入L2正则化后目标函数为：
$Obj(w)=\frac{1}{N}\sum_{i=1}^{N}\log(1+exp(-y_{i}w \bullet x_{i}))+\lambda\frac{1}{2}||w||_2^2$
目标函数导数为：
$Obj_w^{'}=\frac{1}{N}\sum_{i=1}^{N} \lbrace -y_{i}\frac{exp(-y_{i}w \bullet x_{i})}{1+exp(-y_{i}w \bullet x_{i})} x_{i}\rbrace+\lambda{w}$

$=\frac{1}{N}\sum_{i=1}^{N}\lbrace-y_{i}(1-\frac{1}{1+exp(-y_{i}w \bullet x_{i})})x_{i}\rbrace+\lambda{w}$

更新权重：
$w=w-\gamma{Obj_w}'$

2.2 二分类交叉熵

我们也可以使用信息论解释逻辑回归的代价函数，

概率就是判断一件事情发生的可能性
信息量是得知该消息时的意外程度

$信息量=\log{\frac{1}{P}}=-\log{P}$

概率越低，信息量越大

用于分类问题，概率越低，证明模型计算越不准确
熵是用来衡量信息不确定性的单位（概率和信息量乘积）
交叉熵

用来检验实际发生概率和预测准确率信息量的乘积

其中， $p_k$ 为样本实际发生概率， $q_k$ 为样本预测准确的概率
$p_k\log(q_k)$

在二分的情况下，模型最后需要预测的结果只有两种情况，对于每个类别我们的预测得到的概率为 $p$ 和 $1 - p$ ，此时目标函数（交叉熵）表达式为（ $\log$ 底数是 $e$ )：
$\begin{aligned} L(w)&=\frac{1}{N}\sum_i^NL_i\\ &=\frac{1}{N}\sum_i^N[y_{i}*\log(p_{i})+(1-y_{i})*\log(1-p_{i})]\\ &=\frac{1}{N}\sum_i^N[y_{i}*\log(\frac{p_{i}}{1-p_{i}})+\log(1-p_{i})]\\ &=\frac{1}{N}\sum_i^N[y_i*(w \bullet x_i)-\log(1+\exp(w \bullet x_i))] \end{aligned}$
其中：

$y_{i}$ —— 表示样本 $i$ 的label，正类为1 ，负类为0
$p_{i}$ —— 表示样本 $i$ 预测为正类的概率， $p_i=P(y_{i}=1|x_{i})=\dfrac{exp(w\bullet x_{i})}{1+exp(w \bullet x_{i})}$

2.3 sklearn中逻辑回归

逻辑回归调库：

sklearn.linear_model.LogisticRegression(solver=‘liblinear’, penalty=‘l2’, C = 1.0)
solver可选参数:{‘liblinear’, ‘sag’, ‘saga’,‘newton-cg’, ‘lbfgs‘}，
- 默认: ’liblinear’；用于优化问题的算法。
- 对于小数据集来说，“liblinear”是个不错的选择，而“sag”和‘saga’对于大型数据集会更快。
- 对于多分类问题，只有’newton-cg’， ‘sag’， 'saga’和’lbfgs’可以处理多项损失；“liblinear”仅限于“one-versus-rest”分类。
penalty：指定正则化的参数可选为"l1", “l2” 默认为“l2”. 注意：l1正则化会将部分参数压缩到0，而l2正则化不会让参数取到0只会无线接近
C：大于0的浮点数。C越小对损失函数的惩罚越重
multi_class : 告知模型要处理的分类问题是二分类还是多分类。默认为“ovr”（二分类）
- “multinational” ：表示处理多分类问题，在solver="liblinear"时不可用
- “auto” ：表示让模型自动判断分类类型

3 多分类（softmax）

接触过二分类问题，使用sigmoid函数很好去解决，如果变成多分类问题，应该如何解决呢？多分类使用softmax方式来进行处理，softmax是logistic回归的一般形式。可以通过softmax进行合理分类，以下分类为考拉0，猫1，狗2 ，鸡3

在这里插入图片描述

3.1 算法原理

softmax公式如下：
$f(z)=\frac{e^z}{\sum_{i=1}^{n}e^z}$
多分类是二分类的一种拓展形式，二分类采用阈值方式进行分类，多分类采用最大概率进行分类。

多分类处理的原理也是通过线性模型解决分类问题。
在这里插入图片描述

3.2 损失函数

单个样本的交叉熵代价函数的公式为：
$L({p_{i}},y_{i})=-\sum_{k=1}^{K}y_{ik}\log p_{ik}$
多分类交叉熵

多分类交叉熵就是对二分类交叉熵的扩展，在计算公式中和二分类稍微有些许区别，但是还是比较容易理解，具体公式如下所示：
$L=\frac{1}{N}\sum_i^NL_i=-\frac{1}{N}\sum_i ^N\sum_{k=1}^{K}y_{ik}\log p_{ik}$
其中：

$N$ ——样本数量
$K$ ——类别的数量， $Y$ 的取值集合有 ${c_1,c_2,...,c_K\}$
$y_{ik}$ ——样本 $y_i=c_k$ 是，取 $1$ ，不等于取 $0$
$p_{ik}$ ——观测样本 $i$ 属于类别 $k$ 的预测概率，通过 $so f t ma x$ 计算得到， $p_{ik}= P(y_i=c_k|x_i)=\frac{\exp{(w_k \bullet x_i)}}{\sum_{k=1}^K\exp{(w_k \bullet x_i)}}$