logistic regression 系列问题

1. LR与线性回归的区别与联系

区别：

1. 经典线性模型的优化目标函数是最小二乘法，也就是基于均方误差函数的最小化；而LR是最大化似然函数，也是最小化交叉熵。
2. 线性回归的输出是一个实值，而LR的输出是{0， 1}；或者说，线性回归是解决回归问题，但LR是解决分类问题；

联系：

1. LR的本质也是一个线性回归模型，只不过在模型外套了一层联系函数，使得线性回归的输出实值与分类问题的{0， 1}联系在了一起。

2. 为什么要对数据做归一化？

1. 归一化可以加快梯度下降时的速度：

如上图中，x1， x2两个特征的区间非常大，形成的等高线非常尖（？），有可能顺着垂直等高线走，从而导致需要更多的迭代次数才能收敛。
而右图进行归一化后，对应的等高线显得很圆，梯度下降时可以较快收敛。
2. 归一化有可能提高精度

扩展：3种归一化方式：

1. 线性归一化：利用最大值和最小值，适用于数值比较集中。但如果max和min不稳定，容易使结果不稳定，可以使用经验常量代替。
2. 标准差标准化：处理后，数据符合标准正太分布；
3. 非线性归一化：通过数学函数，将原始值进行映射，包括log、指数、正切等等，经常用在数据分化比较大的场景。

3. LR为什么要对特征进行离散化？

在工业界，很少直接将连续值作为LR的特征输入，而是将连续值离散化后为一系列0、1特征交给LR模型。这样做有以下几点好处：

1. 离散特征的增加与减少都很容易，易于模型的快速迭代；
2. 稀疏向量的内积乘法运算速度快，计算结果方便存储，容易扩展；（为什么计算结果方便存储，还容易扩展？）
3. 离散化后的特征对异常数据具有很强的抗干扰性，比如规定年龄大于100的是0，否则为1，那出现一个年龄为500的异常数据，就不会对数据造成干扰。
4. LR属于广义线性模型，表达能力受限（为什么受限？）。单变量离散化后为N个后，每个变量都具有各自的权重，相当于为模型引入了非线性，能够提升模型模型表达能力，加大拟合；
5. 离散后可以进行特征交叉，有M+N个变为M*N个变量，进一步引入非线性，提升表达能力；
6. 特征离散化后，模型会更稳定，比如如果对用户年龄离散化，20-30作为一个区间，不会因为一个用户年龄长了一岁就变成一个完全不同的人。当然处于区间相邻处的样本会刚好相反，所以怎么划分区间是门学问；
7. 特征离散化以后，起到了简化了逻辑回归模型的作用，降低了模型过拟合的风险。

李沐曾经说过：模型是使用离散特征还是连续特征，其实是一个“海量离散特征+简单模型” 同 “少量连续特征+复杂模型”的权衡。既可以离散化用线性模型，也可以用连续特征加深度学习。就看是喜欢折腾特征还是折腾模型了。通常来说，前者容易，而且可以n个人一起并行做，有成功经验；后者目前看很赞，能走多远还须拭目以待。