机器学习笔记4：Logistic 回归模型

1. Logistic回归的基本原理
2. logistic回归的优化算法

前言：
在分类任务中，我们是通过从输入$x$到输出$y$的映射$f$的模型得出来的：
　　　　　　　　　　　$\hat{y}=f(x)=argmaxp(y=c|\mathbf{x},D)$
其中，我们定义$y$为离散值，其取值范围称之为标签空间： y = { 1 , 2 , . . , C } y=\left \{ 1,2,..,C \right \} y={1,2,..,C}； 当$C=2$为二分类问题，这时候的分布为bernoulli分布，该分布的概率表示：
　　　　　　 　　　　　$p(y|\mathbf{x})=Ber(y|\mu (\text{x}))$
其中$\mu (\mathbf{x})=E(y|\mathbf{x})=p(y=1|\mathbf{x})$
我们复习下Bernoulli分布的概念：
　　Bernoulli分布又称两点分布或0-1分布。若是Bernoulli试验成功，则Bernoulli随机变量$X$取值为1，否则为0。记试验成功的概率为$\theta$，我们称$X$服从参数为$\theta$的Bernoulli分布，记为$XBer(\theta )$，概率函数(pmf)为：
　　　　　　　　　　　$p(x)={\theta }^x(1-\theta {)}^{(1-x)}=\left\{\begin{array}{cc}\theta & ifx=1\\ 1-\theta & ifx=0\end{array}\right\}$
其中 Bernoulli分布的均值：$\mu =\theta$，方差：${\sigma }^2=\theta \ast (1-\theta )$

1、logistic的基本原理
Logistic回归模型跟线性回归模型一样，也是线性模型，只是其条件概率$p(y|\mathbf{x})$的形式不同：
　　　　　　　　　　　$p(y|\text{x})=Ber(y|\mu (\text{x}))$
　　　　　　　　　　　$\mu (\text{x})=\sigma ({\text{w}}^T\text{x})$
其中sigmoid函数（S函数，图如下）定义为
　　　　　　　　　　　$\sigma (a)=\frac{1}{1+exp(-a)}$
　　　　　　　　　　
上述函数我们亦可以称为logistic函数或者logit函数，将实数$a$变切换到[0,1]区间。而且有因为该函数取值在[0,1]区间，所以logistic回归又被称为logit回归。
　　为什么使用logistic函数呢，因为在神经科学中，神经元的对其输入进行加权和：$f(x)={\text{w}}^T\text{x}$，如果该和大于某个阈值(即:$f(x)>\tau$)的话，则神经元发放脉冲。而且，在logistic回归中，我们定义Log Odds Radio:
　　　　　$LOR(\text{x})=\log \frac{p(1|\text{x},\text{w})}{p(0|\text{x},\text{w})}=\log [\frac{1}{1+exp(-{\text{w}}^T\text{x})}\frac{1+exp(-{\text{w}}^T\text{x})}{exp(-{\text{w}}^T\text{x})}]$
　　　　　　　　　　$=\log (exp({\text{w}}^T\text{x})={\text{w}}^T\text{x}$
因此，如果$LOR(\text{x})={\text{w}}^T\text{x}>0$，则神经元发放脉冲，即$p(1|\text{x},\text{w})>p(0|\text{x},\text{w})$
那么在logistic回归中，当：
　　　　　　　　　$LOR(\text{x})={\text{w}}^T\text{x}>0$ 时，$\hat{y}=1$
　　　　　　　　　$LOR(\text{x})={\text{w}}^T\text{x}<0$ 时，$\hat{y}=0$
${\text{w}}^T\text{x}=0$时为决策面。因此$a(\text{x})={\text{w}}^T\text{x}$为分类决策面，故logistic回归是一个线性分类器。

2、logistic回归的优化算法
我们知道logistic回归的概率函数为：$p(y|\text{x})=Ber(y|\mu (\text{x}))$，则令${\mu }_i=\mu ({\text{x}}_i)$，则负log似然为：
　　　　　　　
　　　　　　$J(\text{w})=NLL(\text{w})=-{\sum }_{i=1}^N\log [({\mu }_i{)}^{y_i}\ast (1-{\mu }_i{)}^{(1-y_i)}]$
　　　　　　　　　　　　　　　$={\sum }_{i=1}^N-[y_i\log ({\mu }_i)+(1-y_i)\log (1-{\mu }_i)]$

极大似然估计 等价于 最小logistic损失。那么$J(\text{w})$的优化求解可以使用梯度下降法或者牛顿法。
（1）梯度下降法

　　求解
　　其中：
算法与线性回归$g(\text{w})={\sum }_{i=1}^N(f({\text{x}}_i)-y_i){\text{x}}_i$看起来一样，只是$f(x)$不一样，事实上所有的线性回归模型的梯度都是如此。

　　（2）牛顿法
　　牛顿法，其原则是使用函数$f(x)$的泰勒级数的前几项来寻找方程$f(x)=0$的根。
　　我们知道一阶泰勒展开式：$f(x)=f(x^t)+f^{\prime }(x^t)(x-x^t)$
　　所以，我们将导数$g(\text{w})$在${\text{w}}^t$处进行泰勒展开：　　　
　　　　　　　
去掉高阶无穷小$Op(\hat{\text{w}}-{\text{w}}^t)$，得到：
　　
　　因此得到的迭代机制：
　　　　　　　　　
　所以牛顿法又可以称为二阶梯度下降法，移动方向为：$d=-(H({\text{w}}^t){)}^{-1}g({\text{w}}^t)$；对比我们一阶梯度下降法，移动方向：$d=-g({\text{w}}^t)$
　损失函数的求解过程，我们还需要了解迭代在加权最小二乘(iterative reweighted least squares,IRLS)原则，何谓IRLS，上述我们以得出：

　根据牛顿法的结果：　　　　　
　所以IRLS：权重矩阵$\text{S}$不是常数，而且依赖参数向量$\text{w}$，我们必须使用标准方程来迭代计算，每次使用新的权重向量$\text{w}$来修正权重矩阵$\text{S}$。因此该算法称之为迭代再加权最小二乘，IRLS。
如下便是具体的公式迭代过程：

当然，上述是logistic回归没有正则化的过程，正则化logistic就是在$J(\text{w})$加上$\lambda ||\text{w}|{|}^2$(l2正则)或者$\lambda |\text{w}|$(l1正则)，同理求解过程结合线性回归模型的求解和上述不带正则的logistic回归的求解即可。