分类问题和线性回归问题很像,只是在分类问题中我们预测的 y y 值包含在一个小的离散数据集里。首先,认识一下二元分类(binary classification),在二元分类中, 的取值只能是 0 和 1。例如,我们要做一个垃圾邮件分类器,则 x(i) x ( i ) 为邮件的特征,而对于 y y ,当它为1,则为垃圾邮件,为0 则表示邮件为正常邮件。所以 0 称之为负类(negative class),1为正类(positive class) 。
逻辑回归
我们知道线性回归问题只能预测连续的值,而分类问题,往往是分成几个类,或者是某一类(),不是某一类(
y=0
y
=
0
)。对于后者,若已知
y∈{0,1}
y
∈
{
0
,
1
}
,则
hθ(x)
h
θ
(
x
)
大于1,或者小于0都是没有意义的。To fix this,我们选择:
g(z) g ( z ) 是逻辑函数,或者叫==sigmoid函数== ,如下图所示。
虽然其他平滑函数,只要能使 hθ(x) h θ ( x ) 的值限制到 [0,1] 也是可以的,其实选择sigmoid函数是很自然的,具体将在 讲GLM 算法的时候讲。
g(z)
g
(
z
)
的导数有个很重要的属性:
那么,给定逻辑回归模型,我们如何拟合出合适的 θ θ ? 根据由最大似然估计得到 LSR,我们赋予分类模型一组概率假设,然后通过最大似然函数得到合适的参数。
合并起来可以写成下面的形式:
假设 m m 个训练样本是独立的,则参数的似然函数如下:
最大化似然函数的方法有两种。一种和线性回的推导相似,梯度上升的方法;另一种是牛顿法。
(1)梯度上升法
用向量来表示的话 ,我们可以用下式来更新参数:
需要注意的是,这里是 + 不是 - ,因为是最大化似然函数。下面先假设只有一个训练样本 (x,y) ( x , y ) ,使用随机梯度上升规则。
如果我们将其与LMS更新规则进行比较,我们会发现它看起来差不多; 但这不是相同的算法,因为 hθ(x(i)) h θ ( x ( i ) ) 现在被定义为 θTx(i) θ T x ( i ) 的非线性函数。 尽管如此,我们最终得到了相同的更新规则以获得相当不同的算法和学习问题。这是巧合吗,具体原因请移步GLM Model。
(1 12 1 2 )插叙:感知学习算法
我们现在离题谈论一个具有一定历史意义的算法, 考虑修改逻辑回归的方法以“强制”它输出0或1或精确值。 要做到这一点,将
g
g
的定义更改为阈值函数似乎很自然:
同样,令 hθ(x)=g(θTx) h θ ( x ) = g ( θ T x ) , g g 的定义如上式(22),同样用更新规则:
,这样便得到了==感知学习算法== (perceptron learning algorithm)
在20世纪60年代,这种“感知机”被认为是解释大脑中各个神经元如何工作的粗略模型。尽管感知器可能在美学上与我们所讨论的其他算法相似,但它实际上是一种非常不同类型的算法,而不是逻辑回归和LSR。
(2)牛顿法
回到逻辑回归,另一种最大化似然函数的方法是==牛顿法== (Newton’s method)。
牛顿法的核心思想是找 0。假设有函数
f:R↦R
f
:
R
↦
R
. 我们要找到一个
θ
θ
使得
f(θ)=0
f
(
θ
)
=
0
成立,
θ∈R
θ
∈
R
,是一个实数。此时牛顿法的更新规则如下:
这种方法有一个自然的解释,我们可以把它看作是通过线性函数逼近函数 f f ,线性函数在当前猜测 处与 f f 相切,求解线性函数等于零的位置,并让 的下一个猜测 θ θ 成为线性函数为零的地方。下面是牛顿法的图解:
牛顿方法给出了一种获得 f(θ)=0 f ( θ ) = 0 的方法。如果我们想用它来最大化函数 ℓ ℓ 该怎么办呢?函数 ℓ ℓ 的最大值对应其一阶导数 ℓ′ ℓ ′ 为零的点。 因此,可以令
f(θ)=ℓ′(θ)
f
(
θ
)
=
ℓ
′
(
θ
)
。我们同样用更新规则的方式最大化
ℓ
ℓ
:
最后,在我们的逻辑回归数据中, θ θ 是向量,因此我们需要将牛顿方法推广到这些数据上。 牛顿法对这种多维数据的推广(称为==Newton-Raphson法==)由下式给出:
H H 是 的矩阵(实际上,如果加上截距项,则大小为 (n+1)×(n+1) ( n + 1 ) × ( n + 1 ) )。 H H called ==Hessian== , 它的项的形式如下:
牛顿法通常比 (batch) gradient descent更快收敛,并且需要更少的迭代次数就能达到非常接近最小值。 然而,牛顿法的一次迭代可能比一次梯度下降迭代代价更昂贵,因为它需要找到一个 n×n n × n 的Hessian矩阵,并求逆。但只要 n n 不是太大,整体通常要快得多。牛顿方法用于最大化逻辑回归对数似然函数 时,称为Fisher scoring 。
分类和逻辑回归(Classification and logistic regression)
斯坦福机器学习课程Lecture 1(cs229-notes1)