【深度学习基础】从零开始的炼丹生活02——逻辑回归/logistic回归、广义线性模型与最大熵模型

往期回顾:
00——机器学习数学基础以及数值计算数值优化方法
01——机器学习基本概念、统计学基本概念简单介绍

在学习深度学习之前,再学习一下基本的机器学习算法。首先从logistic回归开始,再说一说sigmoid的推导等。


一、逻辑回归/logistic回归模型的简单介绍

1. logistic分布

X X X是连续随机变量, X X X服从logistic分布是指 X X X具有下列分布函数和密度函数:
F ( x ) = P ( X ≤ x ) = 1 1 + e − ( x − μ ) / γ   f ( x ) = e − ( x − μ ) / γ γ ( 1 + e − ( x − μ ) / γ ) 2 F(x)=P(X\leq x)=\dfrac {1}{1+e^{-(x-\mu)/\gamma} }\\ ~\\ f(x)=\dfrac{e^{-(x-\mu)/\gamma}}{\gamma(1+e^{-(x-\mu)/\gamma})^2} F(x)=P(Xx)=1+e(xμ)/γ1 f(x)=γ(1+e(xμ)/γ)2e(xμ)/γ
其中 μ \mu μ为位置参数, γ > 0 \gamma > 0 γ0为形状参数。

2. 二项逻辑回归模型
  • 几率:事件发生的概率与该事件不发生的概率的比值。而对数几率就是取对数

对于二分类问题,类别 Y Y Y只有1或0。如果我们认为事件 Y Y Y发生的对数几率正比于随机变量 X X X,即:
log ⁡ P ( Y = 1 ∣ x ) 1 − P ( Y = 1 ∣ x ) = w ⋅ x \log \dfrac{P(Y=1|x)}{1-P(Y=1|x)}=w \cdot x log1P(Y=1x)P(Y=1x)=wx

那么便得出
P ( Y = 1 ∣ x ) = exp ⁡ ( w ⋅ x ) 1 + exp ⁡ ( w ⋅ x ) P(Y=1|x)=\dfrac {\exp {(w\cdot x)}}{1+\exp{(w\cdot x)} } P(Y=1x)=1+exp(wx)exp(wx)
加入偏置项b,得二项逻辑回归模型
P ( Y = 1 ∣ x ) = exp ⁡ ( w ⋅ x + b ) 1 + exp ⁡ ( w ⋅ x + b ) P(Y=1|x)=\dfrac {\exp {(w\cdot x+b)}}{1+\exp{(w\cdot x+b)} } P(Y=1x)=1+exp(wx+b)exp(wx+b)

P ( Y = 0 ∣ x ) = 1 − P ( Y = 1 ∣ x ) P(Y=0|x)=1-P(Y=1|x) P(Y=0x)=1P(Y=1x)

3. 模型参数估计

逻辑回归学习时,对于给定的训练数据集,可以应用极大似然估计。
对数似然函数为:
设 P ( Y = 1 ∣ x ) = π ( x ) L ( w ) = ∑ i = 1 N [ y i log ⁡ π ( x i ) + ( 1 − y i ) log ⁡ ( 1 − π ( x i ) ) ] = ∑ i = 1 N [ y i ( w ⋅ x i ) − log ⁡ ( 1 + exp ⁡ ( w ⋅ x i ) ] 设P(Y=1|x)=\pi(x)\\L(w)=\sum^N_{i=1}[y_i\log \pi (x_i)+(1-y_i)\log(1-\pi (x_i))]\\=\sum^N_{i=1}[y_i(w\cdot x_i)-\log (1+\exp(w\cdot x_i)] P(Y=1x)=π(x)L(w)=i=1N[yilogπ(xi)+(1yi)log(1π(xi))]=i=1N[yi(wxi)log(1+exp(wxi)]

求出似然函数的极大值即可得到 w w w的估计值。

4. 多项逻辑回归

与二项类似,K项模型是:
P ( Y = k ∣ x ) = exp ⁡ ( w k ⋅ x + b ) 1 + ∑ k = 1 K − 1 exp ⁡ ( w k ⋅ x + b ) ,    k = 1 , 2 , … , K − 1   P ( Y = K ∣ x ) = 1 1 + ∑ k = 1 K − 1 exp ⁡ ( w k ⋅ x + b ) P(Y=k|x)=\dfrac {\exp {(w_k\cdot x+b)}}{1+\sum^{K-1}_{k=1}\exp{(w_k\cdot x+b)} },~~k=1,2,\dots,K-1\\~ \\P(Y=K|x)=\dfrac {1}{1+\sum^{K-1}_{k=1}\exp{(w_k\cdot x+b)} } P(Y=kx)=

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值