天池机器学习训练营-task1-基于逻辑回归的分类预测

一 逻辑回归的介绍

1.1 逻辑回归的介绍

逻辑回归（Logistic regression，简称LR）虽然其中带有"回归"两个字，但逻辑回归其实是一个分类模型，并且广泛应用于各个领域之中。虽然现在深度学习相对于这些传统方法更为火热，但实则这些传统方法由于其独特的优势依然广泛应用于各个领域中。

而对于逻辑回归而且，最为突出的两点就是其模型简单和可解释性强。

逻辑回归模型的优劣势:

• 优点：实现简单，易于理解和实现；计算代价不高，速度很快，存储资源低；
• 缺点：容易欠拟合，分类精度可能不高

1.1 逻辑回归的应用

逻辑回归模型广泛用于各个领域，包括机器学习，大多数医学领域和社会科学。例如，最初由Boyd 等人开发的创伤和损伤严重度评分（TRISS）被广泛用于预测受伤患者的死亡率，使用逻辑回归 基于观察到的患者特征（年龄，性别，体重指数,各种血液检查的结果等）分析预测发生特定疾病（例如糖尿病，冠心病）的风险。逻辑回归模型也用于预测在给定的过程中，系统或产品的故障的可能性。还用于市场营销应用程序，例如预测客户购买产品或中止订购的倾向等。在经济学中它可以用来预测一个人选择进入劳动力市场的可能性，而商业应用则可以用来预测房主拖欠抵押贷款的可能性。条件随机字段是逻辑回归到顺序数据的扩展，用于自然语言处理。

逻辑回归模型现在同样是很多分类算法的基础组件,比如 分类任务中基于GBDT算法+LR逻辑回归实现的信用卡交易反欺诈，CTR(点击通过率)预估等，其好处在于输出值自然地落在0到1之间，并且有概率意义。模型清晰，有对应的概率学理论基础。它拟合出来的参数就代表了每一个特征(feature)对结果的影响。也是一个理解数据的好工具。但同时由于其本质上是一个线性的分类器，所以不能应对较为复杂的数据情况。很多时候我们也会拿逻辑回归模型去做一些任务尝试的基线（基础水平）。

二 逻辑回归的原理

1.1 Sigmoid函数

逻辑回归是建立在Sigmoid函数和自变量的线性回归模型之上(这可能也是为什么带有"回归"二字的原因),Sigmoid函数的函数形式为：
$$logi(z)=\frac{1}{1+e^{-z}}$$
其对应的函数图像可以表示如下:

通过上图我们可以发现Sigmoid函数是单调递增函数，并且在z=0的时候取值为0.5，Sigmoid函数的取值范围为$(0,1)$。

而回归的基本方程为$z={\theta }_0+{\sum }_i^N{\theta }_i{x}_i$，

将回归方程写入其中为：
$$p=p(y=1|x,\theta )=h_{\theta }(x,\theta )=\frac{1}{1+e^{-({\theta }_0+{\sum }_i^N{\theta }_i{x}_i)}}$$

所以,
$$p(y=1|x,\theta )=h_{\theta }(x,\theta )$$，而
$$p(y=0|x,\theta )=1-h_{\theta }(x,\theta )$$

逻辑回归从其原理上来说，逻辑回归其实是实现了一个决策边界：对于函数 $y=\frac{1}{1+e^{-z}}$,当 $z=>0$时,$y=>0.5$, 分类为1，当 $z<0$时,$y<0.5$, 分类为0，其对应的$y$值我们可以视为类别1的概率预测值.

对于模型的训练而言：实质上来说就是利用数据求解出对应的模型的特定的$w$。从而得到一个针对于当前数据的特征逻辑回归模型。

而对于多分类而言，将多个二分类的逻辑回归组合，即可实现多分类。

扩展: 为什么逻辑回归要使用sigmoid函数?
关于逻辑回归, 大多数教程上基本都是直接给出了Sigmoid函数表达式和其中z的线性回归函数$z={\theta }_0+{\sum }_i^N{\theta }_i{x}_i$, 但却很少解释为什么, 为什么从刚开始就定义了
$$p(y=1|x,\theta )=h_{\theta }(x,\theta )=\frac{1}{1+e^{-{\theta }^{T}X}}=\frac{1}{1+e^{-({\sum }_i^N{\theta }_i{x}_i+b)}}$$
如果仅仅是为了将$X$的线性回归结果${\theta }^{T}X$从实数域通过逻辑回归模型映射到(0,1)的概率区间，应该有很多可以归一化的函数，为什么选了Sigmoid函数来做概率转换呢?

其实,

Sigmoid是推导出来的，不是假设出来的, LR的假设是两个类服从均值不等，方差相等的高斯分布，然后通过贝叶斯决策推导

为了解决这个问题，需要从Logistic Regression（下面简称LR）的推导说起，为了方便起见，这里只讨论二分类的情况。首先，LR的假设只有一个，就是两个类别的特征服从均值不等，方差相等的高斯分布，也就是
$$p(x|y=0)\sim N({\mu }_0,\sigma )$$ p ( x ∣ y = 1 ) ∼ N ( μ