关于逻辑回归（Logistic regression）模型的简单思考

关于逻辑回归（Logistic regression）模型的简单思考

Tags： 机器学习算法

　　Logistic regression(LR)模型是一种分类算法，它将特征空间映射成一种可能性，本文将从以下几方面解释逻辑回归模型：

• 逻辑回归模型的定义
• 逻辑回归模型的概率论解释
• 逻辑回归的引申：条件随机场
• 求解实现（Python）

1.逻辑回归模型的定义

　　模型输入为$\vec{x}$（简记为$x$），输出为$y\in{0,1}$。定义$p(y=1|x)=h_\theta(x)=g(\theta^Tx)=\frac{1}{1+e^{-\theta^Tx}}$。
其中，$\theta$为参数，$g(z)=\frac{1}{1+e^{-z}}$，又被称为logistic函数或者sigmoid函数。sigmoid函数取值在$(0,1)$之间。

2.逻辑回归的概率解释

　　考虑二分类问题，$c_i$表示第$i$类，$i\in\\{0,1\\}$。$x$作为输入，表示特征。用$p(c_i|x)$表示已知$x$时，类别为$c_i$的概率。由贝叶斯理论有：

$$p(c_i|x)=\frac{p(c_i,x)}{p(x)}=\frac{p(c_i)*p(x|c_i)}{p(x)}$$
其中 $p(x)=\sum_{c_i}{p(c_i,x)}=\sum_{c_i}{p(c_i)*p(x|c_i)}$
　　对于二分类，带入 $i=1$的值有：
$$\begin{equation} p(c_1|x)=\frac{1}{1+\frac{p(c_0)*p(x|c_0)}{p(c_1)*p(x|c_1)}} \end{equation}$$
令 $a=ln{\frac{p(c_0)*p(x|c_0)}{p(c_1)*p(x|c_1)}}$
　　取先验概率 $p(c_i) \sim Bernoulli(\Phi)$时，若 $p(x|c_k)$服从高斯分布，且共享协方差矩阵，即 $p(x|c_k)=\frac{1}{(2\pi)^{D/2}}\frac{1}{|\Sigma|^{1/2}}exp\\{-\frac{1}{2}(x-u_k)^T\Sigma^{-1}(x-u_k)\\}$。
　　则 $p(c_k|x)$符合逻辑回归模型的形式。即 $p(c_k|x)=\frac{1}{1+e^{-w^Tx}}$。
　　当 $p(x|c_k)$服从泊松分布时，也有此结果。

高斯判别模型（Gaussian Discriminant Analysis，GDA）与逻辑回归模型

　　高斯判别模型属于生成模型（即对联合概率建模），逻辑回归模型属于判别模型（即对条件概率建模）。
我们将$p(y=1|x;W)$看做$x$的函数（W表示参数集合），可以证明有如下形式：

$$p(y=1|x;W)=\frac{1}{1+exp(-\theta^Tx)}$$

　　当训练相同的数据集时，这两个模型将得到不同的分类边界，哪一个更好？

1. 高斯判别模型可以转化为逻辑回归模型，反之不一定。即高斯判别模型有更强的模型假设。
2. 当该假设正确时，GDA有更好的效果（更少的数据就可以学的不错）。换句话说，LR鲁棒性更强。
3. LR模型的假设要求更弱，例如，如果$x|y \sim Poission(\lambda)$，LR仍然有效。

3.从逻辑回归到条件随机场

　　朴素贝叶斯和LR模型最大区别在于前者是生成模型，后者是判别模型。可以认为两者有相同的假设空间，在这种意义下，任何LR分类器和一个朴素贝叶斯分类器可以在相同的决策界下相互转换。朴素贝叶斯可以转化为有向图模型，LR模型可以转换为无向图模型。
　　LR模型的输出是标量，CRF输出是结构化的多元输出（应该可以看做向量吧），因此LR模型可以看做最简单的CRF模型。
　　
图片来源：C. Sutton, and A. McCallum. (2007). “An Introduction to Conditional Random Fields for Relational Learning”

4.用Python实现LR模型

以下代码是搬运他人教程。详见参考资料3。
问题描述：
辨别不同因素对研究生录取的影响：
影响变量（predictor variables）：
- gpa
- gre 分数
- rank 本科生母校声望
预测变量：admit，表示考生是否被录用，0/1变量

import pandas as pd
import statsmodels.api as sm
import pylab as pl
import numpy as np

# 加载数据
# 备用地址: http://cdn.powerxing.com/files/lr-binary.csv
df = pd.read_csv("http://www.ats.ucla.edu/stat/data/binary.csv")

# 重命名'rank'列，因为rank也是pandas dataframe中一个方法的名字
df.columns = ["admit", "gre", "gpa", "prestige"]
print df.columns
# array([admit, gre, gpa, prestige], dtype=object)

# summarize the data
print df.describe()

# 将prestige设为虚拟变量
# 虚拟变量，也叫哑变量，可用来表示分类变量、非数量因素可能产生的影响。在计量经济学模型，需要经常考虑属性因素的影响。例如，职业、文化程度、季节等属性因素往往很难直接度量它们的大小。只能给出它们的“Yes—D=1”或”No—D=0”，或者它们的程度或等级。为了反映属性因素和提高模型的精度，必须将属性因素“量化”。通过构造0-1型的人工变量来量化属性因素。
dummy_ranks = pd.get_dummies(df['prestige'], prefix='prestige')
print dummy_ranks.head()

# 为逻辑回归创建所需的data frame
# 除admit、gre、gpa外，加入了上面常见的虚拟变量（注意，引入的虚拟变量列数应为虚拟变量总列数减1，减去的1列作为基准）
cols_to_keep = ['admit', 'gre', 'gpa']
data = df[cols_to_keep].join(dummy_ranks.ix[:, 'prestige_2':])

# 需要自行添加逻辑回归所需的intercept变量
data['intercept'] = 1.0

# 指定作为训练变量的列，不含目标列`admit`
train_cols = data.columns[1:]
# Index([gre, gpa, prestige_2, prestige_3, prestige_4], dtype=object)
# 在这里是使用了statesmodels的Logit函数，更多的模型细节可以查阅statesmodels的文档
logit = sm.Logit(data['admit'], data[train_cols])
# 拟合模型
result = logit.fit()

# 构建预测集
# 与训练集相似，一般也是通过 pd.read_csv() 读入
# 在这边为方便，我们将训练集拷贝一份作为预测集（不包括 admin 列）
import copy
combos = copy.deepcopy(data)
# 数据中的列要跟预测时用到的列一致
predict_cols = combos.columns[1:]
# 预测集也要添加intercept变量
combos['intercept'] = 1.0
# 进行预测，并将预测评分存入 predict 列中
combos['predict'] = result.predict(combos[predict_cols])
# 预测完成后，predict 的值是介于 [0, 1] 间的概率值
# 我们可以根据需要，提取预测结果
# 例如，假定 predict > 0.5，则表示会被录取
# 在这边我们检验一下上述选取结果的精确度
total = 0
hit = 0
for value in combos.values:
  # 预测分数 predict, 是数据中的最后一列
  predict = value[-1]
  # 实际录取结果
  admit = int(value[0])
  # 假定预测概率大于0.5则表示预测被录取
  if predict > 0.5:
    total += 1
    # 表示预测命中
    if admit == 1:
      hit += 1
# 输出结果
print 'Total: %d, Hit: %d, Precision: %.2f' % (total, hit, 100.0*hit/total)
# Total: 49, Hit: 30, Precision: 61.22

# 查看数据的要点
print result.summary()

参考资料：
1. CS229 Lecture notes(Andrwe Ng)
2. Pattern Recognition and Machine Learning(PRML)
3. Python实现逻辑回归(Logistic Regression in Python)