逻辑回归是什么?
我们首先来回顾一下什么是线性回归,线性回归试图学得一个线性模型以尽可能准确地预测实值输出标记,而我们通常通过研究属性(可能不止一个)来构造模型,就像是预测房价,我们需要房子大小、使用年限、房间数量等来预测一套房子能买多少钱,而我们构建出来的模型通常也是连续的。那么,逻辑回归呢?试想一下,如果你是一个医生,此时来了一位病人拿着他的报告单,你需要通过报告单上的各类数据判断这位病人是否患了某种疾病(0~1的概率);亦或是你现在要去市场上买一个西瓜,你需要通过观察这个西瓜的各种特性(瓜蒂什么的)来判断这是否是一个好瓜。(( •ω• )导入结束)逻辑回归便能帮到我们。说白了,我觉得逻辑回归解决的就是输出变量为有限个离散变量的分类问题,当然这个分类不只是“是或不是”,它要表达的更多是一种概率。
逻辑回归与线性回归的联系与区别
- 总结之前所说,线性回归和逻辑回归都能预测某件事发生的概率,而线性回归的输出一般是连续的, 对于每一个输入的x,都有一个对应的输出y。而对于逻辑回归的输出一般是离散的,通常是0,1(通过预测一个概率,比如概率大于0.5就输出1)。
- 逻辑回归与线性回归的属性都可以是多元的。
逻辑回归的原理
而逻辑回归通常有一个分界的地方,那就是0.5那里,在图中则反映为决策边界:
逻辑回归损失函数推导及优化
在我们构造逻辑回归的损失函数时,我们通常会想到想到模仿线性回归中的平方误差作为损失函数,但是此时得到的是一个非凸函数,意味着有许多局部最优解,就不能得到全局最优解。何为局部最优解和全局最优解?全局最优解就像是一个碗,它的碗底就是整个碗最低的地方,局部最优解就像是这个碗还有很多很多的大小不一的坑,每一个坑都有一个最低点,但这个最低点并不一定就是整个碗的最低点。比如:
优化
除了梯度下降,还有更高级的优化:共轭梯度法,BFGS,L-BFGS等,这些高级优化法的优点就在于比梯度下降法更快,并且不需要人为选择α参数,但也更加复杂。
正则化与模型评估指标
如果我们有非常多的特征来拟合模型,那么这个学习曲线可能会把训练集拟合得非常好(损失函数几乎为0)但是却会几乎不具备泛化能力,对新的样本预测结果十分不理想,这也是之前讲过的:过拟合。如何解决过拟合问题呢?
- 可以尝试着减少特征的数量(但此时需要我们人为地挑选这些特征是否需要留下)
- 正则化:保持所有的特征,但是减少量级或参数θj的大小。当我们有很多特征时正则化也会工作得很好。
性能度量
常用的评价标准有:
- 错误率和精度
- 查准率和查全率
- ROC和AUC
- 代价敏感错误率与代价曲线
简单解释一下:
逻辑回归的优缺点
在此我引用以下朋友的博客:
http://m.elecfans.com/article/691754.html
样本不均衡问题解决办法
https://blog.csdn.net/CherDW/article/details/54891073
https://blog.csdn.net/zhangf666/article/details/78860376