logistic模型_利用广义线性模型实现的分类——Logistic回归

利用广义线性模型实现的分类——Logistic回归

本文作者：王 歌
文字编辑：孙晓玲
技术总编：张 邯

利用广义线性模型实现线性回归以及它的正则化——岭回归和LASSO回归，它们解决的都是对连续数值进行预测的回归问题，其实我们还可以利用回归的思想来解决分类问题，这就是我们今天要介绍的Logistic回归。

一、算法原理

1.模型形式——利用Sigmoid函数

Logistic回归适用于数值型或标称型（目标变量的结果只在有限目标集中取值，而且只存在‘是’和‘否’两种不同的结果）数据，因此就需要将数值型的数据转化为类别值，如二分类问题，最终是对输出的值0或者1进行分类，这就需要引入函数来对输入的数据进行处理。在数学中，Heaviside阶跃函数（或称为单位阶跃函数）就具有这样的性质，即假设输入的值为x，则:

从上面的表达式我们可以看到阶跃函数在定义域上是不连续的，这不利于我们处理连续值并进行最优化，因此我们使用另一个数学性质更优越的函数——Sigmoid函数：

它也是一种阶跃函数，其不同坐标尺度下的函数图像如下图所示：

可以看到当x为0时，Sigmoid函数值为0.5。当x>0时，随着x的增大，对应的Sigmoid值将逼近于1；而随着x的减小，Sigmoid值将逼近于0。如果横坐标刻度足够大，如第二张坐标图所示，此时Sigmoid函数的形式就很接近单位阶跃函数的取值形式了。 因此，假设我们现在面临二分类任务，类标签值为0和1，那么按照线性回归的思想，我们能够得到模型

但此时我们得到的只是预测的数值而并非类标签，因此我们就要用到刚才介绍的Sigmoid函数，即Logistic模型的形式为

2.模型的优化 在得到上面的模型后，我们可以对其变形为

y和1-y可分别看作是y取1和0时的后验概率，所以我们也将Logistic回归称为对数几率回归（简称对率回归），因此我们可以进一步得到

所以对数似然函数为

这就是我们要进行优化的目标函数，一般我们会选择梯度下降法、牛顿法、拟牛顿法、梯度上升法等方法求解，具体的过程我们就不在这里介绍了，大家感兴趣可以自行查阅资料。

依据因变量类型，可分为二分类Logistic回归模型和多分类Logistic回归模型；根据多分类因变量是否有序，又可以分为多分类有序Logistic回归模型和多分类无序Logistic回归模型。在进行多分类时，相当于是多次Logistic回归，进行多次二分类，这就需要对数据集进行拆分，如OvR（“一对多”样本）、MvM（“多对多”样本）的方式。当然Logistic 回归模型可以直接推广到多类别分类，不必组合和训练多个二分类器，称为 Softmax 回归。

二、类参数介绍

我们这里使用的是sklearn. linear_model中的LogisticRegression()来实现Logistic算法。那么首先我们来看看这个类中的参数：

（1）solver确定逻辑回归损失函数的优化方法，'liblinear'使用坐标轴下降法来迭代优化损失函数。'lbfgs'是拟牛顿法的一种，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。'newton-cg'则是牛顿法的一种。'sag'为平均随机梯度下降算法。'saga'是sag的一类变体，它支持非平滑的L1正则选项penalty='l1'。'lbfgs', 'sag'和'newton-cg'求解器只支持L2罚项以及无罚项，对某些高维数据收敛更快。默认为'liblinear'；

（2）penalty确定惩罚项，可为'l1' 或 'l2'。'newton-cg', 'sag', 'lbfgs'只支持'l2'，即L2正则化；

（3）C表示正则化系数的倒数，取值必须为正浮点数，默认为1.0；

（4）multi_class用来选择分类方式，默认为' one-vs-rest'即OvR方式，表示对于第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。也可以设置为'multinomial'即MvM，此时若模型有K类，每次在所有的K类样本里面选择两类样本出来，把所有输出为这两类的样本进行二元Logistic回归得到模型参数，一共需要K(K-1)/2次分类；

（5）class_weight用来设定各类型样本的权重，默认为None，此时所有类型权重均为1，也可设为'balanced'，此时按照输入样本的频率大小来调整权重；

（6）dual选择目标函数为原始形式还是对偶形式，转化为原函数的对偶函数时更易于优化，默认为False，对偶方法通常只用在正则化项为'liblinear'的L2惩罚项上；

（7）fit_intercept表示模型中是否含常数项，默认为True；

（8）intercept_scaling仅在正则化项为'liblinear'且fit_intercept设置为True时有用，默认为1；

（9）max_iter表示算法收敛的最大迭代次数，默认为100，仅在正则化优化算法为'newton-cg'，'sag'和'lbfgs'才有用；

（10）tol用来设置优化算法终止的条件，当迭代前后的函数差值小于等于tol时就停止，默认为0.0001；

（11）random_state设定随机数种子；

（12）verbose控制是否输出训练过程，默认为0表示不输出，取1时偶尔输出，大于1时对每个子模型都输出；

（13）warm_start表示是否使用上次训练结果作为初始化参数，默认为False；

（14）n_jobs表示用CPU的几个内核运行程序，默认为1，当为-1的时候表示用所有CPU的内核运行程序。

三、算法实例

我们这里使用的依然是鸢尾花的数据集，参数使用默认设置，程序如下：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, mean_squared_error, r2_score

iris_sample = load_iris()
x_train, x_test, y_train, y_test = train_test_split(
    iris_sample.data, iris_sample.target, test_size=0.25, random_state=123)
logclf = LogisticRegression()
logclf.fit(x_train, y_train)
print('系数为：', logclf.coef_)
print('截距为：', logclf.intercept_)
y_pre = logclf.predict(x_test)
print(y_test)     #输出测试集真实数据
print(y_pre)     #输出测试集预测结果
print('均方误差为：', mean_squared_error(y_test, y_pre))
print('r2为：', r2_score(y_test, y_pre))
print('测试集准确度为：', accuracy_score(y_test, y_pre))

结果如下：

可以看到准确度比较高。Logistic 回归作为被人们广泛使用的算法，具有高效且计算量小，又通俗易懂容易实现的优点，但同时也有容易欠拟合，分类精度可能不高的缺点。因此我们在选择方法时要注意自己数据的特点来选择合适的分类器。