PS:本文中的log等同于我们国内的ln
sigmoid函数
之前那一文中提到了一般的梯度上升的公式推导,但是在《机器学习实战》一书中,实现的是分类方法,因此,虽然最终的结果相似,但是其实本质有很大的不同。
一般来讲我们把实物分成两类,因此我们需要将结果映射到两个结果(是或非),因为一般的阶跃函数在求导之类的问题上会变得相当复杂,因此我们用一个更加圆滑的sigmoid函数来映射,所有输入到这个函数的实数都会被转化到0-1之间,它的公式为 g(z)=11+e−z
同时它对应的图像如图所示:
于是我们可以将得到的结果进行四舍五入,分类成0或1
Logistic 回归
这里的意思是,将我们的分类边界线作模型,进行拟合,并以此来分类。
我们假设经过sigmoid函数处理过的结果为
hΘ(x)
,因为是在0-1之间,因此可以看做是概率,另外,我们可以假设,分类到0或者1的概率。
P(y=1|x;θ)=hθ(x)P(y=0|x;θ)=1−hθ(x)(1)
将以上两个概率公式整合一下成为一个概率公式,
p(y|x;θ)=(hθ(x))y(1−hθ(x))1−y(2)
梯度上升解决回归问题
1. 最大似然估计
这里我们使用最大似然估计法,这个在大学的高等数学中应该都有学习过,就不在赘述。这里假设我们有m个训练集。
L(θ)=∏i=1mp(y(i)|x(i);θ)=∏i=1m(hθ(x(i)))y(i)(1−hθ(x(i)))1−y(i)(3)
为了求导方便,我们一般会将似然函数L加上log函数,因为log函数是递增函数,因此不影响似然函数求最值。
这里会用到一个log函数的性质 logab=bloga ,推导得:
l(θ)=logL(θ)=∑i=1my(i)logh(x(i))+(1−y(i))log(1−h(x(i)))(4)
将l函数对 θ 求导
∂∂θjl(θ)=(y1hθ(x)−(1−y)11−hθ(x))∂∂θjhθx(5)
2. sigmoid函数求导
h′(x)=ddx11+e−x=1(1+e−x)2(e−x)=1(1+e−x)(1−1(1+e−x))=h(x)(1−h(x))(6)
3. 似然估计后续
从上一篇文章,或者从《机器学习实战》chapter5 中可得sigmoid函数h(x)的输入函数是
w=θTx
,将其代入公式(4),得到
l′(θ)=(y1h(θTx)−(1−y)11−h(θTx))∂∂θjh(θTx)=(1h(θTx)−(1−y)11−h(θTx))h(θTx)(1−h(θTx)∂∂jθTx)=(y(1−h(θTx))−(1−y)h(θTx))xj=(y−hθ(x))xj(7)