卡方选择（chi-square）能用到logistic regression当中么？（一）

继续年前Logistic regression的尝试。

1. 回顾一下论文中对Logistic regression的特征选择方法

两种思路，都很简单且粗暴：

（1）已选择的特征集合是个空集，对候选特征，每一个建立一个LR模型，用建立的LR模型的性能来评价每一个候选特征的好坏，选择一个最好的特征加入已选择的特征集合中；继续选择第二个特征，直到模型的性能没有显著变化为止（以模型性能作为终止条件）或者已选择特征集合到达上限（以选择特征数目为终止条件）。

（2）是（1）的反过程，即开始把所有特征加入到已选择的特征集合，然后逐渐去掉对模型性能影响不大的特征。

候选特征总数是n，要选择其中m个特征出来，上述方法的时间复杂度是O（m*n）。注意，这个时间复杂度的原子操作是训练一遍LR模型，而LR的训练也不是件容易的事情，尤其是当特征多、样本多的时候。而且，选择用LR模型，一定都是特征多、样本多的情况。所以上面的过程，只能在部分样本集合（抽样）上做，不可能在全样本集合上做。抽样的好坏，也会影响到特征的选择。

2. 从前我个人的思路

前面两种简单粗暴，我的似乎更加简单粗暴——用所有特征把模型训练出来，看哪些特征的绝对值接近0.0，删掉就行了。这样做的依据是，训练出的权重越小，这个权重的特征对模型分类结果贡献就越小，就越微不足道——可以想几个极端的case来进一步理解：如果所有特征的权重都是0，则无论样本中特征如何取值，这些特征的线性加权值都是0.0，sigmoid函数计算出来的值都是0.5，则样本无法被分类；如果某个特征的权重是正无穷或者负无穷，当这个特征在样本中存在的时候（特征取值为1），则样本中所有特征线性加权的值是正无穷或者负无穷，sigmoid函数计算出来的值是1.0或者0.0，即样本肯定是正例或者肯定是反例，此时其他特征不起作用。

相比paper中的方法，时间复杂度由O（m*n）降低到了O(1)。当然，这种方法的实际操作通常也是建立在样本抽样的基础上。不过如果条件允许，不抽样也可以。

3. 为什么要尝试卡方选择？

另一个思路是用文本分类中的特征选择方法来对LR模型进行特征选择。那些方法在文本分类中好用，在LR中如何呢？首先是要看各个方法的基本原理、物理意义。拿卡方选择来说，计算的是特征与类别之间的联系程度，计算出来的卡方值越大，说明特征对当前类别的区分度越大；而特征对类别的区分度越大，我们直观上也就月应该选择这个特征。这样，当新样本过来的时候，有了这个特征的帮助，我们才更容易判断样本的类别。这是我想尝试卡方选择方法的初衷。

码字好累啊，分两篇写吧。

完。