第6章 logistic regression与最大熵模型(1)·逻辑斯蒂回归模型
标签(空格分隔): 机器学习教程·李航统计学习方法
逻辑斯蒂:logistic
李航书中称之为:逻辑斯蒂回归模型
周志华书中称之为:对数几率回归模型
Andrew NG书中称之为:逻辑回归
……好吧!好多不同的名称,其实都是一种方法,晕了好久……
为了利用逻辑斯蒂分布去进行回归问题的分析,首先,必须知道什么是逻辑斯蒂分布,所以,本节主要讨论逻辑斯蒂分布,它是一个连续分布,与高斯分布非常像;
1 Logistic distribution
The Logistic distribution is a continuous probability density function that is symmetric
and uni-modal. It is similar in appearance to the Normal distribution and in practical
applications, the two distributions cannot be distinguished from one another.
1.1 一维逻辑斯蒂分布的数学定义
- 分布函数
F(x)=11+e−(x−μ)/σ
注1:也可以写成
F(x)=e(x−μ)/σe(x−μ)/σ+1
注2:分布函数(即概率累积函数)的导数
F′(x)=−(1+e−(x−μ)/σ)′(1+e−(x−μ)/σ)2=−(−1σ)e−(x−μ)/σ(1+e−(x−μ)/σ)2=1σe−(x−μ)/σ(1+e−(x−μ)/σ)2 - 概率密度函数
f(x)=1σ∗e−(x−μ)/σ(1+e−(x−μ)/σ)2
- logistic涉及两个参数
- μ :location,控制分布函数的中心位置,或者说是概率密度函数对称轴的位置
- σ :scale,该参数控制着 f(x) 的宽和高;其值越大, f(x) 越矮越胖
注:其实该参数 σ 与正态分布的 σ 含义相同,只不过相差了一个系数 π23 (这个数字来自于logistic distribution的方差),
- μ :location,控制分布函数的中心位置,或者说是概率密度函数对称轴的位置
1.2 logistic分布的均值和方差
- 均值:
E(x)=μ
- 方差:
Var(x)=13(πσ)2
- 考察高斯分布 N(μ,σ2) ,它的均值为 μ ,方差为