逻辑回归

逻辑回归是一种线性回归的扩展,通过sigmoid函数将连续值映射到0和1。损失函数通常采用交叉熵,可以使用梯度下降或牛顿法等优化策略求解参数。在多分类问题中,softmax函数用于输出每个类别的概率。本文详细介绍了逻辑回归的模型、损失函数以及优化算法,包括梯度下降和牛顿法的优缺点,并探讨了拟牛顿法中的DFP和BFGS算法。
摘要由CSDN通过智能技术生成

1.什么是逻辑回归?
逻辑回归本质上是线性回归,在特征得到结果的映射中加入一层函数映射,该函数将特征值线性求和的结果(连续值)映射到0和1上(离散值)
2.逻辑回归为什么选择sigmoid作为映射函数?
1)对逻辑回归模型,目标是最大化条件似然度,对于给定已知x,表示其对应类标记y出现的概率p(y|x;w),通常对于一个有效分类器,w,x代表数据属于正类y=1的置信度,函数(sigmoid)可以将w,x映射到条件概率,即说明出现的可信度;
2)sigmoid的性质:函数单调上升,连续可导
3)sigmoid函数
这里写图片描述
导数的特殊性质:
这里写图片描述
3.逻辑回归中损失函数
在逻辑回归中,y这里写图片描述{0,1},依据概率论,其属于对应类别的概率为:
这里写图片描述
将二者合并,即:
这里写图片描述
假设该训练集有m个样本,构造其似然函数:
这里写图片描述

按照极大似然的思路,此处应该极大化似然函数求极值,而逻辑回归把极大化当做一种思想,进而推导它的经验风险函数,最小化负的似然函数(最大化似然函数和最小化负的似然函数达到一样的目的)
为了计算其平均损失,添加一个额外的缩放系数:这里写图片描述
最后其损失函数为:
这里写图片描述
说明,交叉熵损失函数为:
这里写图片描述
所以,逻辑回归的损失函数可以认为是交叉熵函数的一个应用;
我们求解的问题转化为:

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值