从零开始学习机器学习（三）逻辑回归 Logistic Regression

最新推荐文章于 2024-05-02 11:42:15 发布

UnicornH!XD

最新推荐文章于 2024-05-02 11:42:15 发布

阅读量579

点赞数 1

分类专栏： ML 文章标签：逻辑回归机器学习人工智能

本文链接：https://blog.csdn.net/qq_42715079/article/details/120981411

版权

ML 专栏收录该内容

9 篇文章 0 订阅

订阅专栏

上一部分，我介绍了感知机Perceptron，从零开始学习机器学习（二）感知器 Perceptron_UnicornH!XD的博客-CSDN博客接下来，我将介绍逻辑回归。本篇论文以公式为主，公式推导居多。

逻辑回归 Logistic Regression

逻辑回归虽然称为回归，但也是一个分类模型，而且常用于二分类任务。

逻辑回归假设输出是通过以下算法从输入生成的：给定输入 $x$ 以及参数 $(w,x_0)$

（1）计算 $z = w^tx + w_0$

（2）应用逻辑函数 $z$ 得到 $h = Logistic(z)$

（3）在0和1之间均匀的生成一个随机数， $r \in (0,1)$

（4） $\left\{\begin{matrix} &If \, \, \, \, r<h , y=1 \\ & If \,\, \, \, r>h , y=0 \end{matrix}\right.$

由于最终的输出取决于第三步中生成的数，因此这是一个概率算法。

关于逻辑回归的分布函数，

$h = \frac{1}{1+exp(-z)},\, \, \, \, \left\{\begin{matrix} & z \rightarrow \infty: h\rightarrow 1 \\ & \, \, \, z \rightarrow -\infty: h\rightarrow 0 \\ & z =0: h=0.5 & \end{matrix}\right.$

如图是一个逻辑回归函数,训练这样一个模型，我们需要：

（1）数据集 $D = \{(x_1,y_1),(x_2,y_2),...(x_n, y_n)\}$ 输入是 $x$ ，输出是 $y$

（2）一个可以从数据集 $D$ 更新回归参数 $w$ 的算法。通产使用最大似然估计 Maximum Likelihood Estimation 来更新参数。最大似然函数是给定一个基本概率模型 $p_\theta (d)$ 和一个特定参数集 $\theta$ 的数据集发生的概率。

给定回归参数 $w$ 可以将似然函数定义为,：

$L(w|D) = p_w(D) = p(y_1,y_2,y_3,...y_n|x_1,x_2,....x_n,w)$

可能性只是参数 w 的函数，因为输入是固定的，因为我们控制了它们，而且在训练数据中我们已经观察到了输出，因此关于训练数据唯一未知的就是 w 是如何生成这些数据的。

最大似然估计（Maximum likelihood estimator MLE) 可以定义为：

 $\theta' = arg\max_\theta L(\theta|D)$

假设我们的数据是独立且分布的，即数据中每一个输出 $y_i$ 仅依赖于与之匹配的输入 $x_i$

$\\L(w|D) = p(y_1,y_2,....y_n|x_1,x_2,...x_n, w) \\= p(y_1|x_1,w) * p(y_2|x_2,w)*....*p(y_n|x_n,w)\\ = \prod_{i=1}^{n}p(y_i|x_i,w)$

通常，也使用对数：

$log L(x|D) = \sum_{n}^{i=1} p(y_i|x_i,w)$

其中

$p(y_i|x_i,w) = h(x_i,w)^{y_i} (1-h(x_i,w))^{1-y_i}$

$h(x_i,w) = Logistic(w^t x_0 + w_0)$

这种概率分布的正式名称是伯努利概率分布。

$\left\{\begin{matrix} y=1 ,& h^1_i\\ y=-1,& 1-h_i \end{matrix}\right.$

使用log函数：
$log L(w|D) = \sum_{i:y=0}log(1-h_i) + \sum_{i:y=1}log(h_i)$

MLE中参数 $w$ ， $y=0$ 时， $\sum_{i:y=0}log(1-h_i)$ 以及 $y=1$ 时 $\sum_{i:y=1}log(h_i)$ ，当我们试图找到MLE时，我们要做的就是设置 h，它同时依赖于 x 和 w，这样我们可以最大化看到 y = 0和 y = 1训练样本的概率。

损失函数 交叉熵损失(cross-entropy loss)：

$l(w) = -\frac{1}{n}log(w|D) = -\frac{1}{n} \sum_{i=1}^{n}[y_i\, log \, h(w,x_i) +(1-y_y)\, (1-h(w,x_i))]$

对于SGD，我们选取一个样本 $(x_i,y_i)$ 来估计梯度

$\frac{\delta l(w)}{\delta w_j} = -\frac{1}{n}log(w|D)= -\frac{1}{n}\sum_{i=1}^{n}[y_i \frac{1}{h(w_i,x_i)} - (1-y_i) \frac{1}{(1-h(w,x_i))} ] \frac{\delta h(w,x_i)}{\delta w_i}$

这里将使用链式法则（Chain Rule）:

$\frac{\delta h(w,x_i)}{\delta w_j} = \frac{\delta}{w_j}[\frac {1}{1+exp(-[w^Tx_i + w_0])}] \\=\frac{exp(-[w^Tx_i + w_0])}{[1+exp(-[w^Tx_i + w_0])]^2}x_i^j\\ =h(w,x_i)(1-(w,x_i))x_i^j$