目录
1、逻辑回归与线性回归的联系与区别
两者都是广义的线性回归,线性回归优化的目标函数是OLS,逻辑回归则是似然函数。
逻辑回归主要思想: 根据现有数据对分类边界线(Decision Boundary)建立回归公式,以此进行分类。
逻辑回归通过一组预测器变量,可以很有效的预测特征与输出结果。这与线性回归很相似,但更适用于二分类问题。方程系数可以用来估计模型中的自变量的比率,这适用于更广泛的问题模型,另一方面,可以将逻辑回归用于确定某个事件的可能性,输出值为0或1。
在逻辑回归中不仅可以解决二分类问题,也可以求解多分类问题,只不过它常被用来做二分类。
线性回归:通过估计线性方程中的系数,包括一个或多个独立变量,进而给出最佳的预测结果。例如,可以通过年龄、教育背景、工作年份等特征预测销售员全年的销售情况。
线性回归求解的是连续问题,而逻辑回归求解的是离散问题。
1)线性回归要求变量服从正态分布,logistic回归对变量分布没有要求
2)线性回归要求因变量是连续性数值变量,而logistic回归要求因变量是分类型变量
3)线性回归要求自变量和因变量呈线性关系,而logistic回归不要求自变量和因变量呈线性关系
4)线性回归是直接分析因变量与自变量的关系,而logistic回归是分析因变量取某个值的概率与自变量的关系
2、 逻辑回归的原理
逻辑回归首先把样本映射到[0,1]之间的数值,这就归功于sigmoid函数,可以把任何连续的值映射到[0,1]之间,数越大越趋向于0,越小越趋近于1。Sigmoid函数公式如下:
其中,sigmoid函数的输入为z=w.T*x,向量w是我们要找的最佳参数,从而使分类器更加准确。为了寻找最优w,会用到一系列方法,如梯度下降法等。
3、逻辑回归损失函数推导及优化
4、 正则化与模型评估指标
惩罚高阶参数,使它们趋近于0,这样就会得到较为简单的假设,也就是得到简单的函数,这样就不易发生过拟合。但是在实际问题中,并不知道哪些是高阶多项式的项,所以在代价函数中增加一个惩罚项/正则化项,将代价函数中所有参数值都最小化,收缩每一个参数。
正则化:L0、L1、L2
模