逻辑回归总结

1. 简介

逻辑回归本名应该叫对数几率回归，是线性回归的一种推广，所以我们在统计学上也称之为广义线性模型。线性回归针对的是标签为连续值的机器学习任务，那如果我们想用线性模型来做分类任何可行吗？答案当然是肯定的，这就需要用到sigmoid函数，将一个数值转化成0-1的概率。

相较于线性回归的因变量 y 为连续值，逻辑回归的因变量则是一个 0/1 的二分类值，这就需要我们建立一种映射将原先的实值转化为 0/1 值。这时候就要请出我们熟悉的 sigmoid 函数了：
$$f(x)=\frac{1}{1+e^{-x}}$$
它的函数图像如下所示：

sigmoid 函数有一个很好的特性就是其求导计算等于下式，这给我们后续求交叉熵损失的梯度时提供了很大便利。
$${\mathrm{f}}^{\prime }(\mathrm{x})=\mathrm{f}(\mathrm{x})(1-\mathrm{f}(\mathrm{x}))$$

2. 逻辑回归模型的数学推导

2.1 逻辑回归的损失函数

由 sigmoid 函数可知逻辑回归模型的基本形式为：

$$y=\frac{1}{1+e^{-(w^{T}x+b)}}$$

损失函数就是用来衡量模型的输出与真实输出的差别。

假设只有两个标签1和0， y n ∈ { 0 , 1 } y_n \in \{0, 1\} yn​∈{0,1} 。我们把采集到的任何一组样本看做一个事件的话，那么这个事件发生的概率假设为p。我们的模型y的值等于标签为1的概率也就是p。（注意：为了方便，在下面的推导中暂时忽略偏置$b$）

$$P_{y=1}=\frac{1}{1+e^{-{\mathbf{w}}^T\mathbf{x}}}=p$$

因为标签不是1就是0，因此标签为0的概率就是： $y_{y=0}=1-p$。我们把单个样本看做一个事件，那么这个事件发生的概率就是：

$$P(y\mid \mathbf{x})=\{\begin{array}{r}p,y=1\\ 1-p,y=0\end{array}$$

上式等价于:
$$P\left(y_i\mid {\mathbf{x}}_i\right)=p^{y_i}(1-p{)}^{1-y_i}$$
上式的含义是：我们采集到了一个样本 { x i , y i } \{x_i, y_i\} {xi​,yi​}。对这个样本，它的标签是$y_i$的概率是 $p^{y_i}(1-p{)}^{1-y_i}$。 （当y=1，结果是p；当y=0，结果是1-p）。

如果我们采集到了一组数据一共N个样本， { ( x 1 , y 1 ) , ( x 2 , y 2 ) , ( x 3 , y 3 ) … ( x N , y N ) } \left\{\left(\boldsymbol{x}_{1}, y_{1}\right),\left(\boldsymbol{x}_{2}, y_{2}\right),\left(\boldsymbol{x}_{3}, y_{3}\right) \ldots\left(\boldsymbol{x}_{N}, y_{N}\right)\right\} {(x1​,y1​),(x2​,y2​),(x3​,y3​)…(xN​,yN​)} ，这个合成在一起的合事件发生的总概率怎么求呢？（看作所有事件一起发生的概率）其实就是将每一个样本发生的概率相乘就可以了，即采集到这组样本的概率：

$$\begin{array}{rl}{P}_{\text{总 }}& =P\left(y_1\mid {\mathbf{x}}_1\right)P\left(y_2\mid {\mathbf{x}}_2\right)P\left(y_3\mid {\mathbf{x}}_3\right)\dots P\left(y_N\mid {\mathbf{x}}_N\right)\\ & =\prod _{n=1}^N{p}^{y_n}(1-p{)}^{1-y_n}\end{array}$$

注意$P_{总}$ 是一个函数，并且未知的量只有$w$（在p里面）

那么我们可以得到对数损失函数：
$$\begin{array}{rl}F(\mathbf{w})=\ln \left(P_{\text{总 }}\right)& =\ln \left(\prod _{n=1}^N{p}^{y_n}(1-p{)}^{1-y_n}\right)\\ & =\sum _{n=1}^N\ln \left(p^{y_n}(1-p{)}^{1-y_n}\right)\\ & =\sum _{n=1}^N\left(y_n\ln (p)+\left(1-y_n\right)\ln (1-p)\right)\end{array}$$

其中，$p=\frac{1}{1+e^{-{\mathbf{w}}^T{\mathbf{x}}_{\mathbf{i}}}}$，损失函数可以理解成衡量我们当前的模型的输出结果，跟实际的输出结果之间的差距的一种函数。这里的损失函数的值等于事件发生的总概率，我们希望它越大越好。但是跟损失的含义有点儿违背，因此也可以在前面取个负号

2.2 极大似然估计（MLE）

在真实世界中并不能直接看到概率是多少，我们只能观测到事件是否发生。也就是说，我们只能知道一个样本它实际的标签是1还是0。那么我们如何估计参数$w$ 跟b的值呢？最大似然估计MLE(Maximum Likelihood Estimation)，就是一种估计参数的方法。他的主要思想就是，既然这个事件发生了，肯定不是出于偶然，那么我们就把它发生的概率最大化，从而求出参数

现在我们的问题变成了，找到一个$w^{\ast }$，使得我们的总事件发生的概率$F(w)$取得最大值。即：

$${\mathbf{w}}^{\ast }=\arg \underset{w}{\max }F(\mathbf{w})=-\arg \underset{w}{\min }F(\mathbf{w})(2.1)$$

2.3 使用梯度下降方法求的最佳参数$w$

求式2.1结果我们使用梯度下降算法

关于求导的一些知识：

• 对于一个矩阵$\mathbf{A}$乘以一个向量的方程$\mathbf{A}\mathbf{x}$对向量$\mathbf{x}$求导结果为：${\mathbf{A}}^T$
• 可以推导出：${\left({\mathbf{x}}^T\mathbf{A}\right)}^{\prime }=\mathbf{A}$
• sigmoid函数$g(x)$求导结果为：$g(x)(1-g(x))$

所以我们能够事先算出：
$$p^{\prime }=p(1-p)\mathbf{x}$$

$$(1-p{)}^{\prime }=-p(1-p)\mathbf{x}$$
接下来就可以对损失函数求导了：
$$\begin{array}{rl}\nabla F(\mathbf{w})& =\nabla \left(\sum _{n=1}^N\left(y_n\ln (p)+\left(1-y_n\right)\ln (1-p)\right)\right)\\ & =\sum \left(y_n{\ln }^{\prime }(p)+\left(1-y_n\right){\ln }^{\prime }(1-p)\right)\\ & =\sum \left(\left(y_n\frac{1}{p}{p}^{\prime }\right)+\left(1-y_n\right)\frac{1}{1-p}(1-p{)}^{\prime }\right)\\ & =\sum _N\left(y_n(1-p){\mathbf{x}}_n-\left(1-y_n\right)p{\mathbf{x}}_n\right)\\ & =\sum _{n=1}^N\left(y_n-p\right){\mathbf{x}}_n\end{array}$$

即：
$$\nabla F(\mathbf{w})=\sum _{n=1}^N\left(y_n-\frac{1}{1+e^{-{\mathbf{w}}^T{\mathbf{x}}_n}}\right){\mathbf{x}}_n$$

使用梯度下降更新参数：

$${\mathbf{w}}_{t+1}={\mathbf{w}}_t+\eta \nabla F$$

注意：通常梯度下降是减号，但是此处f(w)前有个减号在求导的时候没有添加上去，负负得正，故此处是加号

2.4 为什么可以用梯度下降法？

因为逻辑回归的损失函数L是一个连续的凸函数（conveniently convex）。这样的函数的特征是，它只会有一个全局最优的点，不存在局部最优。对于GD跟SGD最大的潜在问题就是它们可能会陷入局部最优。然而这个问题在逻辑回归里面就不存在了，因为它的损失函数的良好特性，导致它并不会有好几个局部最优。当我们的GD跟SGD收敛以后，我们得到的极值点一定就是全局最优的点，因此我们可以放心地用GD跟SGD来求解。

3. 逻辑回归的可解释性

逻辑回归最大的特点就是可解释性很强。在模型训练完成之后，我们获得了一组n维的权重向量$w$ 跟偏差 b。

对于权重向量$w$，它的每一个维度的值，代表了这个维度的特征对于最终分类结果的贡献大小。假如这个维度是正，说明这个特征对于结果是有正向的贡献，那么它的值越大，说明这个特征对于分类为正起到的作用越重要。

对于偏差b (Bias)，一定程度代表了正负两个类别的判定的容易程度。假如b是0，那么正负类别是均匀的。如果b大于0，说明它更容易被分为正类，反之亦然。

根据逻辑回归里的权重向量在每个特征上面的大小，就能够对于每个特征的重要程度有一个量化的清楚的认识，这就是为什么说逻辑回归模型有着很强的解释性的原因

4. 逻辑回归的决策边界是否是线性的?

相当于问曲线$\frac{1}{1+e^{-{\mathbf{w}}^T\mathbf{x}}}=0.5$是否是线性的。我们对该式化简得到：

$$\begin{array}{rl}& e^{-{\mathbf{w}}^T\mathbf{x}}=1=e^0\\ & \text{ 即 }-{\mathbf{w}}^T\mathbf{x}=0\end{array}$$

我们得到了一个等价的曲线，显然它是一个超平面（它在数据是二维的情况下是一条直线），逻辑回归的决策边界如下图所示。

5. 总结

• 两个假设

  • 逻辑回归的第一个基本假设是假设数据服从伯努利分布（即0-1分布）
  • 逻辑回归的第二个假设是正类的概率由sigmoid的函数计算

• 逻辑回归模型：$$y=\frac{1}{1+e^{-{\mathbf{w}}^T\mathbf{x}}}$$

• 逻辑回归损失函数：
  $$L(w,b)=\sum _{n=1}^N\left(y_n\ln (p)+\left(1-y_n\right)\ln (1-p)\right)$$
  其中$y_n$为实际label，$p$为预测值

• 参数求解（以一个样本为例）：
  $${\mathbf{w}}_{t+1}={\mathbf{w}}_t+\eta \left(y_n-\frac{1}{1+e^{-{\mathbf{w}}^T{\mathbf{x}}_n}}\right){\mathbf{x}}_n$$

6. 逻辑回归的优缺点

优点

• 形式简单，模型的可解释性非常好。从特征的权重可以看到不同的特征对最后结果的影响，某个特征的权重值比较高，那么这个特征最后对结果的影响会比较大。
• 模型效果不错。在工程上是可以接受的（作为baseline)，如果特征工程做的好，效果不会太差，并且特征工程可以大家并行开发，大大加快开发的速度。
• 训练速度较快。分类的时候，计算量仅仅只和特征的数目相关。并且逻辑回归的分布式优化sgd发展比较成熟，训练的速度可以通过堆机器进一步提高，这样我们可以在短时间内迭代好几个版本的模型。
• 资源占用小,尤其是内存。因为只需要存储各个维度的特征值。
• 方便输出结果调整。逻辑回归可以很方便的得到最后的分类结果，因为输出的是每个样本的概率分数，我们可以很容易的对这些概率分数进行cut off，也就是划分阈值(大于某个阈值的是一类，小于某个阈值的是一类)。

缺点

• 准确率并不是很高。因为形式非常的简单(非常类似线性模型)，很难去拟合数据的真实分布。
• 很难处理数据不平衡的问题。举个例子：如果我们对于一个正负样本非常不平衡的问题比如正负样本比 10000:1.我们把所有样本都预测为正也能使损失函数的值比较小。但是作为一个分类器，它对正负样本的区分能力不会很好。
• 处理非线性数据较麻烦。逻辑回归在不引入其他方法的情况下，只能处理线性可分的数据，或者进一步说，处理二分类的问题 。
• 逻辑回归本身无法筛选特征。有时候，我们会用gbdt来筛选特征，然后再上逻辑回归。

7. 如何使用逻辑回归做非线性分类

可以考虑和SVM一样，使用核函数，把数据升维，从线性不可分变成线性可分

9. 逻辑回归和SVM的区别是什么？

• 它们的目标都是减少“错误率”
• SVM通过寻找最佳划分超平面来减少错误率，相应的损失函数是hinge函数；
• 逻辑回归通过最大化样本输出到正确分类的概率来减少错误率，相应的损失函数是负对数似然
• 损失函数的优化方法不一样，逻辑回归用剃度下降法优化，svm用smo方法进行优化
• 逻辑回归产出的是概率值，而SVM只能产出是正类还是负类，不能产出概率

10. 逻辑回归与树模型的区别

• 逻辑回归更侧重于数据的整体结构(即全局性)，因此其一般不会出现过拟合的情况；而对于决策树模型，其更侧重于对数据局部结构的分析(即局部性)，因此其需要使用修剪的方式来避免过拟合现象的出现
• 逻辑回归更适合线性关系，能够找到适合线性分割；而决策树可以找到非线性分割
• 逻辑回归是将所有特征变换为概率后，通过大于某一概率阈值的划分为一类，小于某一概率阈值的为另一类；决策树是对每一个特征做一个划分

8. 参考

如何使用Logistic回归做非线性分类
逻辑回归常见面试点总结！！！
逻辑回归 logistics regression 公式推导