逻辑回归原理

逻辑回归原理

1. 从线性回归到逻辑回归

2. 二元逻辑回归的模型 

3. 二元逻辑回归的损失函数

4. 二元逻辑回归的损失函数的优化方法

5. 二元逻辑回归的正则化

---

---

　     逻辑回归是一个分类算法，它可以处理二元分类以及多元分类。虽然它名字里面有“回归”两个字，却不是一个回归算法。那为什么有“回归”这个误导性的词呢？个人认为，虽然逻辑回归是分类模型，但是它的原理里面却残留着回归模型的影子，本文对逻辑回归原理做一个总结。

1. 从线性回归到逻辑回归

　　我们知道，线性回归的模型是求出输出特征向量Y和输入样本矩阵X之间的线性关系系数θ，满足Y=θX。此时我们的Y是连续的，所以是回归模型。如果我们想要Y是离散的话，怎么办呢？一个可以想到的办法是，我们对于这个Y再做一次函数转换，变为g(Y)。如果我们令g(Y)的值在某个实数区间的时候是类别A，在另一个实数区间的时候是类别B，以此类推，就得到了一个分类模型。如果结果的类别只有两种，那么就是一个二元分类模型了。逻辑回归的出发点就是从这来的。下面我们开始引入二元逻辑回归。

2. 二元逻辑回归的模型 

　    我们提到对线性回归的结果做一个在函数g上的转换，可以变化为逻辑回归。这个函数g在逻辑回归中我们一般取为sigmoid函数，形式如下：

               

　　它有一个非常好的性质，即当z趋于正无穷时，g(z)趋于1，而当z趋于负无穷时，g(z)趋于0，这非常适合于我们的分类概率模型。如果我们令g(z)中的z为：z=θx，这样就得到了二元逻辑回归模型的一般形式：

　　　　

      理解了二元分类回归的模型，接着我们就要看模型的损失函数了，我们的目标是极小化损失函数来得到对应的模型系数θ。

3. 二元逻辑回归的损失函数

　　回顾下线性回归的损失函数，由于线性回归是连续的，所以可以使用模型误差的的平方和来定义损失函数。但是逻辑回归不是连续的，自然线性回归损失函数定义的经验就用不上了。不过我们可以用最大似然法来推导出我们的损失函数。

　　我们知道，按照第二节二元逻辑回归的定义，假设我们的样本输出是0或者1两类。那么我们有：

　    

　　

　　把这两个式子写成一个式子，就是：

        

　　其中y的取值只能是0或者1。

　　得到了y的概率分布函数表达式，我们就可以用似然函数最大化来求解我们需要的模型系数θ。

　　为了方便求解，这里我们用对数似然函数最大化，对数似然函数取反即为我们的损失函数J(θ)。其中：

　　似然函数的代数表达式为：

　　

　　其中m为样本的个数。

　　对似然函数对数化取反的表达式，即损失函数表达式为：

　　

4. 二元逻辑回归的损失函数的优化方法

　　对于二元逻辑回归的损失函数极小化，有比较多的方法，最常见的有梯度下降法，坐标轴下降法，等牛顿法等。由于代数法推导比较的繁琐，而且实践中，我们 一般不用操心优化方法，大部分机器学习库都内置了各种逻辑回归的优化方法，但了解至少一种优化方法还是有必要的。

5. 二元逻辑回归的正则化

　　逻辑回归也会面临过拟合问题，所以我们也要考虑正则化。常见的有L1正则化和L2正则化。

　　逻辑回归的L1正则化的损失函数表达式如下，相比普通的逻辑回归损失函数，增加了L1的范数做作为惩罚，超参数α 作为惩罚系数，调节惩罚项的大小。

　　二元逻辑回归的L1正则化损失函数表达式如下：

　　

　　其中为θ的L1范数。

　　逻辑回归的L1正则化损失函数的优化方法常用的有坐标轴下降法和最小角回归法。

 

       二元逻辑回归的L2正则化损失函数表达式如下：

　   

　　其中为θ的L2范数。

　　逻辑回归的L2正则化损失函数的优化方法和普通的逻辑回归类似。