一.原理解释
1.基本思想:
线性回归模型产生的预测值是实值,故我们需要将实值z转换为0/1值,最理想的是“单位阶跃函数”。
2.逻辑回归分布:
Logistic分布是一种连续性的概率分布,其分布函数和密度函数分别为:
其中,是位置参数,是形状参数。
深度学习中常用的Sigmoid函数就是Logistic的分布函数在的特殊形式。
3.利用Sigmoid函数转换为概率
对数几率函数是一个常用的替代函数:
将线性函数带入:
两边取对数:
若将y视作样本x作为正例的可能性,则1-y则是其反例的可能性。
若将y视作概率估计p(y=1|x),则上式可写作:
利用极大似然估计法求解和b。
也就是说,输出 Y=1 的对数⼏率是由输⼊ x 的线性函数表示的模型,这就是逻辑回归模型。当 的值越接近正⽆穷, 概率值也就越接近 1。因此逻辑回归的思路是,先拟合决策边界(不局限于线性,还可以是多项式),再建⽴这个边界与分类的概率联系,从⽽得到了二分类情况下的概率。
似然函数: