逻辑斯蒂回归算法

最新推荐文章于 2022-08-30 16:01:43 发布

CQUPT-Wan

最新推荐文章于 2022-08-30 16:01:43 发布

阅读量1.8k

点赞数

分类专栏：机器学习文章标签：机器学习 LR

本文链接：https://blog.csdn.net/u013905264/article/details/102776710

版权

机器学习专栏收录该内容

3 篇文章 0 订阅

订阅专栏

scikit-learn 逻辑回归类库使用小结

逻辑斯蒂分布

二元逻辑斯蒂回归模型

二元逻辑斯蒂回归的损失函数及优化方法

二元逻辑斯蒂回归的正则化

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 $\alpha$ 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：

$\Large J(\theta ) = -Y^{T}\cdot (E-Y)^{T}\cdot log(E-h_\theta(X)) + \alpha||\theta||_1$

其中 $||\theta||_1$ 为 $||\theta||$ 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：

$\Large J(\theta ) = -Y^{T}\cdot (E-Y)^{T}\cdot log(E-h_\theta(X)) + \frac{1}{2}\alpha||\theta||_2^2$

其中 $||\theta||_2^2$ 为 $\theta$ 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。

多元逻辑斯蒂回归

逻辑斯蒂回归小结

LR的流程可以描述为：

逻辑回归假设数据服从伯努利分布,通过极大化似然函数的方法，运用梯度下降来求解参数，来达到将数据二分类的目的。

1、找到合适的预测函数，用来预测输入数据的判断结果

对于二元逻辑回归

$\Large P(y=1|x) = 1 - h_\theta(x)$

$\Large P(y=0|x) = h_\theta(x)$

对于多元逻辑回归

$\Large P(y=k|x,\theta) = \tfrac{e^{x\theta_k}}{1+\sum_{t=1}^{K-1}e^{x\theta_t}} \qquad k=1,2,...,K-1$

$\Large P(y=K|x,\theta) = \tfrac{1}{1+\sum_{t=1}^{K-1}e^{x\theta_t}}$

2、构造损失函数，表示预测的输出和训练数据类别之间的偏差。

选择的损失函数为对数似然函数取反

选择极大似然函数作为损失函数的原因：

1）极大似然函数取对数后等同于对数损失函数，在LR中对数损失函数的训练求解参数的速度较快。

2）如果使用平方损失函数，梯度更新的速度和sigmod函数本身的梯度是很相关的。sigmod函数在它在定义域内的梯度都不大于0.25。这样训练会非常的慢。

3、根据梯度下降找到损失函数的最小值，即优化损失函数

4、LR处理高度相关的特征的原因

1）去掉高度相关的特征会让模型的可解释性更好

2）可以大大提高训练的速度。如果模型当中有很多特征高度相关的话，就算损失函数本身收敛了，但实际上参数是没有收敛的，这样会拉低训练的速度。其次是特征多了，本身就会增大训练的时间。

LR的优点

1、形式简单，模型的可解释性非常好。从特征的权重可以看到不同的特征对最后结果的影响，某个特征的权重值比较高，那么这个特征最后对结果的影响会比较大。

2、模型效果不错。在工程上是可以接受的（作为baseline)，如果特征工程做的好，效果不会太差，并且特征工程可以大家并行开发，大大加快开发的速度。

3、训练速度较快。分类的时候，计算量仅仅只和特征的数目相关。并且逻辑回归的分布式优化sgd发展比较成熟，训练的速度可以通过堆机器进一步提高，这样我们可以在短时间内迭代好几个版本的模型。

4、资源占用小,尤其是内存。因为只需要存储各个维度的特征值，。

5、方便输出结果调整。逻辑回归可以很方便的得到最后的分类结果，因为输出的是每个样本的概率分数，我们可以很容易的对这些概率分数进行cutoff，也就是划分阈值(大于某个阈值的是一类，小于某个阈值的是一类)。

LR的缺点

1、准确率并不是很高。因为形式非常的简单(非常类似线性模型)，很难去拟合数据的真实分布。

2、很难处理数据不平衡的问题。举个例子：如果我们对于一个正负样本非常不平衡的问题比如正负样本比 10000:1.我们把所有样本都预测为正也能使损失函数的值比较小。但是作为一个分类器，它对正负样本的区分能力不会很好。

3、处理非线性数据较麻烦。逻辑回归在不引入其他方法的情况下，只能处理线性可分的数据，或者进一步说，处理二分类的问题。

4、逻辑回归本身无法筛选特征。有时候，我们会用gbdt来筛选特征，然后再上逻辑回归。

LR将连续特征离散化的原因

1、稀疏向量内积乘法运算速度快，计算结果方便存储，容易scalable（扩展）。

2、离散化后的特征对异常数据有很强的鲁棒性：比如一个特征是年龄>30是1，否则0。如果特征没有离散化，一个异常数据“年龄300岁”会给模型造成很大的干扰。

3、逻辑回归属于广义线性模型，表达能力受限；单变量离散化为N个后，每个变量有单独的权重，相当于为模型引入了非线性，能够提升模型表达能力，加大拟合。

4、离散化后可以进行特征交叉，由M+N个变量变为M*N个变量，进一步引入非线性，提升表达能力。

5、特征离散化后，模型会更稳定，比如如果对用户年龄离散化，20-30作为一个区间，不会因为一个用户年龄长了一岁就变成一个完全不同的人。当然处于区间相邻处的样本会刚好相反，所以怎么划分区间是门学问。

逻辑回归和线性回归的区别和联系

1）线性回归要求因变量服从正态分布，logistic回归对变量分布没有要求。

2）线性回归要求因变量（Y）是连续性数值变量，而logistic回归要求因变量是分类型变量。

3）线性回归要求自变量和因变量呈线性关系，而logistic回归不要求自变量和因变量呈线性关系

4）线性回归是直接分析因变量与自变量的关系，而logistic回归是分析因变量取某个值的概率与自变量的关系

逻辑回归和线性回归都属于广义线性回归模型。

1、回归与分类：回归模型就是预测一个连续变量(如降水量，价格等)。在分类问题中，预测属于某类的概率，可以看成回归问题。这可以说是使用回归算法的分类方法。

2、输出：直接使用线性回归的输出作为概率是有问题的，因为其值有可能小于0或者大于1,这是不符合实际情况的，逻辑回归的输出正是[0,1]区间

3、参数估计方法：

1）线性回归中使用的是最小化平方误差损失函数，对偏离真实值越远的数据惩罚越严重。这样做会有什么问题呢？假如使用线性回归对{0,1}二分类问题做预测，则一个真值为1的样本，其预测值为50，那么将会对其产生很大的惩罚，这也和实际情况不符合，更大的预测值说明为1的可能性越大，而不应该惩罚的越严重。

2）逻辑回归使用对数似然函数进行参数估计，使用交叉熵作为损失函数，对预测错误的惩罚是随着输出的增大，逐渐逼近一个常数，这就不存在上述问题了

3）也正是因为使用的参数估计的方法不同，线性回归模型更容易受到异常值(outlier)的影响，有可能需要不断变换阈值(threshold)。

LR和SVM的关系

1、LR和SVM都可以处理分类问题，且一般都用于处理线性二分类问题（在改进的情况下可以处理多分类问题）

2、两个方法都可以增加不同的正则化项，如l1、l2等等。所以在很多实验中，两种算法的结果是很接近的。

区别：

1、LR是参数模型，SVM是非参数模型。

2、从目标函数来看，区别在于逻辑回归采用的是logistical loss，SVM采用的是hinge loss，这两个损失函数的目的都是增加对分类影响较大的数据点的权重，减少与分类关系较小的数据点的权重。

3、SVM的处理方法是只考虑support vectors，也就是和分类最相关的少数点，去学习分类器。而逻辑回归通过非线性映射，大大减小了离分类平面较远的点的权重，相对提升了与分类最相关的数据点的权重。

4、逻辑回归相对来说模型更简单，好理解，特别是大规模线性分类时比较方便。而SVM的理解和优化相对来说复杂一些，SVM转化为对偶问题后,分类只需要计算与少数几个支持向量的距离,这个在进行复杂核函数计算时优势很明显,能够大大简化模型和计算。

5、logic 能做的 svm能做，但可能在准确率上有问题，svm能做的logic有的做不了。

scikit-learn 逻辑回归类库使用小结

概述

在scikit-learn中有三种逻辑回归函数： LogisticRegression， LogisticRegressionCV 和logistic_regression_path。

LR和LRCV的区别在于：LRCV使用了交叉验证来选择正则化系数C，LR需要自己每次指定一个正则化系数。

logistic_regression_path拟合数据后，不能直接来做预测，只能为拟合数据选择合适逻辑回归的系数和正则化系数。

正则化选择参数：penalty

penalty参数可选择的值为"l1"和"l2"。分别对应L1的正则化和L2的正则化，默认是L2的正则化。

选择L1正则的情况：

1、使用L2正则化后，依旧过拟合

2、模型特征过多，希望将一些不重要的特征系数归零，从而让模型系数稀疏化。

优化算法选择参数：solver

solver决定了损失函数的优化方法，共有4种：

1、liblinear：使用了开源的liblinear库实现，内部使用了坐标轴下降法来迭代优化损失函数。（L1正则化只有这一种优化方式，因为L1正则化的损失函数不是连续可导）

2、lbfgs：拟牛顿法的一种，利用损失函数二阶导数矩阵即海森矩阵来迭代优化损失函数。

3、newton-cg：也是牛顿法家族的一种，利用损失函数二阶导数矩阵即海森矩阵来迭代优化损失函数。

4、sag：即随机平均梯度下降，每次迭代仅仅用一部分的样本来计算梯度，适合于样本数据多的时候。

分类方式选择参数：multi_class

ovr：one-vs-rest(OvR)，multinomial：many-vs-many(MvM)。二元逻辑回归无区别，多元逻辑回归有区别。

1、OvR：将多元逻辑回归当做二元逻辑回归。具体做法是，对于第K类的分类决策，我们把所有第K类的样本作为正例，除了第K类样本以外的所有样本都作为负例，然后在上面做二元逻辑回归，得到第K类的分类模型。其他类的分类模型获得以此类推。

OvR可以选择4种损失函数优化方法

2、MvM如果模型有T类，我们每次在所有的T类样本里面选择两类样本出来，不妨记为T1类和T2类，把所有的输出为T1和T2的样本放在一起，把T1作为正例，T2作为负例，进行二元逻辑回归，得到模型参数。我们一共需要T(T-1)/2次分类。

MvM只能选择三种损失函数优化方法，不能选择liblinear

类型权重参数：class_weight

class_weight：标示各种类型的权重，

1、不输入，不考虑权重，所有类型的权重一样。

2、balanced，让类库自己计算类型权重，根据训练样本量来计算权重。某种类型样本量越多，则权重越低，样本量越少，则权重越高。

3、自己定义，class_weight={0:0.9, 1:0.1}，这样类型0的权重为90%，而类型1的权重为10%。

1）误分类的代价很高。例如对合法和非法进行分类，将非法分类为合法代价很高，就可以提高非法类别的权重。

2）样本高度失衡，提高少数类别的权重，也可以选择balanced

样本权重参数：sample_weight

样本不平衡，通过调节样本权重来解决。调节样本权重的方法有两种，

1、在class_weight使用balanced。

2、调用fit函数时，通过sample_weight来自己调节每个样本权重。

在scikit-learn做逻辑回归时，如果上面两种方法都用到了，那么样本的真正权重是class_weight*sample_weight.

最后如果转载，麻烦留个本文的链接，因为如果读者或我自己发现文章有错误，我会在这里更正，留个本文的链接，防止我暂时的疏漏耽误了他人宝贵的时间。

CQUPT-Wan

关注

0
点赞
踩
8

收藏

觉得还不错? 一键收藏
0
评论
逻辑斯蒂回归算法

逻辑斯蒂分布二元逻辑斯蒂回归模型二元逻辑斯蒂回归的损失函数及优化方法二元逻辑斯蒂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：...
复制链接

扫一扫