Coursera机器学习笔记 第3周 第六章 逻辑回归（一）

第六章 逻辑回归(Logistic Regression)（一）

第1节 分类和表示（Classification and Representation）

6.1 分类问题

参考视频：6 - 1 - Classification (8 min).mkv

在分类问题中，你要预测的变量$y$是离散的，我们将学习一种叫做逻辑回归（Logistic Regression）的算法，这是目前最流行使用最广泛的一种学习算法。

在分类问题中，我们尝试预测的是结果是否属于某一个类（例如正确或错误）。比如：判断一封电子邮件是否是垃圾邮件；判断一次金融交易是否是欺诈；区别一个肿瘤是恶性的还是良性的。

我们从二元的分类问题开始讨论：将因变量（dependant variable）可能属于的两个类$y$分为$y=0$（负向类，负类，negative class）和$y=1$（正向类，正类，positive class），则因变量类 y ∈ { 0 , 1 } y\in\{0, 1\} y∈{0,1}。

如上图，我们可以用线性回归算法来解决一个分类问题：当假设函数$h_{\theta }(x)⩾0.5$，预测$y=1$，即正向类；当$h_{\theta }(x)⩽0.5$，预测$y=0$，即负向类。但是，线性回归中假设函数的输出值可能远大于1或远小于0，这种输出值让人感觉很奇怪，要是所有的输出值能固定在0到1之间就好了。

我们接下来要研究的算法叫做逻辑回归算法，它的输出值永远在0到1之间，这个算法是监督学习的分类算法。

6.2 假说表示

参考视频 : 6 - 2 - Hypothesis Representation (7 min).mkv

本节展示假设函数的表达式，也就是说，在分类问题中，要用什么函数来表示我们的假设，这个函数的性质是它的输出值要在0和1之间。

我们引入一个新的模型，逻辑回归，该模型的输出变量范围始终在0和1之间。该模型的假设是：$$h_{\theta }(x)=g({\theta }^{T}x)$$其中$x$代表特征向量，$g$代表逻辑函数（logistic function）。这是一个常用的逻辑函数S形函数（Sigmoid function），其公式为：$g(z)=\frac{1}{1+e^{-z}}$。该函数图像如下：

合起来，我们得到逻辑回归模型的假设为：$$h_{\theta }(x)=\frac{1}{1+e^{-{\theta }^{T}x}}$$

$h_{\theta }(x)$的作用是：对于给定的输入变量，根据选择的参数计算出预测值$y=1$的可能性，即$h_{\theta }(x)=P(y=1|x;\theta )$，$1-h_{\theta }(x)=P(y=0|x;\theta )$。例如，如果对于给定的$x$，通过已经确定的参数计算出$h_{\theta }(x)=0.7$，则表示对于给定$x$的预测值$y$有70%的几率为正向类，30%的几率为负向类。这一点需要牢记！

6.3 判定边界

参考视频 : 6 - 3 - Decision Boundary (15 min).mkv

现在讲一下决策边界（decision boundary）的概念。这个概念能更好地帮助我们理解逻辑回归的假设函数在计算什么。

在逻辑回归中，我们预测：

• 当$h_{\theta }⩾0.5$时，预测$y=1$
• 当$h_{\theta }<0.5$时，预测$y=0$

根据上面绘制出的S形函数图像，我们知道：

• 当$z=0$时，$g(z)=0.5$
• 当$z>0$时，$g(z)>0.5$
• 当$z<0$时，$g(z)<0.5$

又因为$z={\theta }^{T}x$，即：

• ${\theta }^{T}x$大于等于0，预测$y=1$（把等于0的情况归到正向类中）
• ${\theta }^{T}x$小于0，预测$y=0$

现在假设我们有一个模型：并且参数$\theta$是向量$[-311]$，当$z={\theta }^{T}x=-3+x_1+x_2$ 大于等于0，即$x_1+x_2$大于等于3时，模型将被预测$y=1$。

我们可以绘制直线$x_1+x_2=3$，这条线便是我们模型的分界线，将预测为1的区域和预测为0的区域（正向类和负向类的区域）分隔开。如下图：

假使我们的数据呈现这样的分布情况，什么样的模型才适合呢？

因为需要用曲线才能分隔$y=0$的区域和$y=1$的区域，我们需要二次方特征：模型为$h_{\theta }(x)=g({\theta }_0+{\theta }_1{x}_1+{\theta }_2{x}_2+{\theta }_3{x}_1^2+{\theta }_4{x}_2^2)$，其中参数$\theta =[-1,0,0,1,1]$，则我们得到的边界恰好是圆心在原点半径为1的圆形。