B站：李宏毅2020机器学习笔记 5 —— 分类Classification和逻辑回归Logistic Regression

总览学习目录篇 链接地址：https://blog.csdn.net/xczjy200888/article/details/124057616

一、分类器介绍

1. 简介

输入→函数处理→哪个类别

2. 理想分类器

3. 高斯分布

• 输入：向量x
• 输出：x的抽样概率
  
• maximum likelihood 最大似然估计
  
• $\sum$表示协方差矩阵
  

二、概率模型的分类

1. 三个步骤

2. 概率分布选择

• 选择自己喜欢的概率分布
• 对于二元特征，可以使用伯努利分布（即0-1分布）
  $$P(x)=p^x(1-p{)}^{1-x}=\{\begin{array}{ll}p& ifx=1\\ 1-p& ifx=0\\ 0& otherwise\end{array}$$
• 如果假设所有维度特征都是独立的，可以使用朴素贝叶斯分类器
  $P(A|B)=\frac{P(AB)}{P(B)}=\frac{P(B|A)P(A)}{P(B)}$
  

3. 后验概率

• 计算过程只做了解即可
  

当 ${\sum }_1$ = ${\sum }_2$ 时，

三、逻辑回归

可回顾第一章的回归内容

1. 步骤一：函数模型

2. 步骤二：判断函数模型好坏

上图，把 ${\hat{y}}^i=1或者0代入，公式中部分项可消除$

3. 步骤三：寻找最好的函数模型

第一项的偏微分化简：

第二项的偏微分化简：

整理可得：

4. 逻辑回归vs线性回归

• 输出不同：逻辑回归为0或1，线性回归为任意值
• 损失函数不同：逻辑回归为概率交叉熵求和，线性回归为欧式距离
• 调优方式相同
  

四、其他思考

1. 逻辑回归+平方差

相较于交叉熵，使用平方差的缺点：

• 在预测值距离目标值较远时，交叉熵值比较大，便于更新优化。
• 在预测值距离目标值较近时，交叉熵值比较小，便于找到最优值。
• 在预测值距离目标值不论是近或远时，平方差都较小。

2. 判别式和生成式

判别式模型 (Discriminative Model) ：直接对条件概率$P(y|x)$进行建模，将最大的$P(y|x)$作为新样本的分类。

• 常见判别模型有：线性回归、决策树、支持向量机SVM、k近邻、神经网络等；
• 判别式模型更直接，目标性更强
• 判别式模型关注的数据的差异性，寻找的是分类面

生成式模型 (Generative Model) ：对每个类型建立一个模型，计算每个类别的联合分布$P(x,y)$，根据贝叶斯公式，分别计算$P(y|x)$，选择三类中最大的$P(y|x)$作为样本的分类。

• 常见生成式模型有：隐马尔可夫模型HMM、朴素贝叶斯模型、高斯混合模型GMM、LDA等；
• 生成式模型关注数据是如何产生的，寻找的是数据分布模型
• 生成式模型更普适；
• 由生成式模型可以产生判别式模型，但是由判别式模式没法形成生成式模型
  

3. 多类别分类器

• 每个类别一个模型，将输入放入不同类别的模型，得到输出概率，并求每类概率的占比。
  
• 计算交叉熵，目标值设定（样本属于哪类，哪类为1，其余为0）
  

4. 逻辑回归的限制

• 逻辑回归无法区分class1和class2，因为逻辑回归是一种广义上的线性回归，只能在图上画一条直线，无法区分红色点和蓝色点。

• 可以找一个转换函数，再使用逻辑回归。例如下图，分别计算属性x1的值为某个点到(0,0)的距离，属性x2为某个点到(1,1)的距离，就可以画出一条直线，进行红色点和蓝色点的区分。
  

• 但是要找到一个转换函数没有那么简单。所以要向，这个转换怎么让机器自己产生？
  
  

• 单层或多层的特征转换就形成了神经网络。