<转>Spark Mllib逻辑回归算法分析

一、代码结构

逻辑回归代码主要包含三个部分

1 、 classfication ：逻辑回归分类器

2 、 optimization ：优化方法，包含了随机梯度、LBFGS两种算法

3 、 evaluation ：算法效果评估计算

二、逻辑回归分类器

1 、 LogisticRegressionModel 类

(1) 根据训练数据集得到的weights来预测新的数据点的分类

(2)预测新数据分类

采用这个公式来进行预测。

其中 w 为权重向量weightMatrix， X 表示预测数据dataMatrix， a 表示 intercept，intercept默认为0.0 。

threshold变量用来控制分类的阈值，默认值为0.5。表示如果预测值<threshold则为分类0.0，否则为1.0

如果threshold设置为空，这会输出实际值

2、LogisticRegressionWithSGD类

此类主要接收外部数据集、算法参数等输入进行训练得到一个逻辑回归模型 LogisticRegressionModel

接收的输入参数包括：

input:输入数据集合，分类标签lable只能是1.0和0.0两种,feature为double类型

numIterations:迭代次数， 默认为100

stepSize:迭代步伐大小，默认为1.0

miniBatchFraction:每次迭代参与计算的样本比例，默认为1.0

initialWeights:weight向量初始值，默认为0向量

regParam：regularization正则化控制参数，默认值为0.0

在LogisticRegressionWithSGD中可以看出它使用了GradientDescent（梯度下降）来优化weight参数的

3、GeneralizedLinearModel类

LogisticRegressionWithSGD中的run方法会调用GeneralizedLinearModel中的run方法来训练训练数据

在run方法中最关键的就是optimize方法，正是通过它来求得weightMatrix的最优解

三、优化方法

逻辑回归采用了梯度下降算法来寻找weight的最优解

逻辑回归cost function

其中：

对 J( Θ ) 求导数后得到梯度为：

1、GradientDescent类

负责梯度下降算法的执行，分为Gradient梯度计算与weight update两个步骤来计算

2、Gradient类

负责算法梯度计算，包含了LogisticGradient、LeastSquaresGradient、HingeGradient三种梯度计算实现，本文主要介绍LogisticGradient的实现：

其中data为公式中的x，label为公式中的y，weights为公式中的 Θ

gradient就是对 J( Θ) 求导的计算结果， loss为 J( Θ) 的计算结果

3、Updater类

负责weight的迭代更新计算，包含了SimpleUpdater、L1Updater、SquaredL2Updater三种更新策略

（1）SimpleUpdater

没有使用regularization，weights更新规则为：

其中：iter表示这是执行的第几次迭代

（2）L1Updater

使用了L1 regularization（R(w) = ||w||）,利用soft-thresholding方法求解，weight更新规则为：

signum是符号函数，它的取值如下：

（3）SquaredL2Updater

使用了L2 regularization（R(w) = 1/2 ||w||^2），weights更新规则为：

注意：Mllib中的逻辑回归算法默认使用的 SimpleUpdater

四、算法效果评估

BinaryClassificationMetrics类中包含了多种算法算法效果评估计算方法：

	相关	不相关
检索到	true positives （tp）	false positives（fp）
未检索到	false negatives（fn）	true negatives （tn）

1、ROC（receiver operating characteristic接收者操作特征）

调整分类器threshold取值，以FPR为横坐标，TPR为纵坐标做ROC曲线

Area Under roc Curve(AUC)：处于ROC curve下方的那部分面积的大小

通常，AUC的值介于0.5到1.0之间，较大的AUC代表了较好的性能

2、precision-recall（准确率-召回率）

准确率和召回率是互相影响的，理想情况下肯定是做到两者都高，

但是一般情况下准确率高、召回率就低，召回率低、准确率高，

当然如果两者都低，那是什么地方出问题了

3、F-Measure

在precision与recall都要求高的情况下，可以用F来衡量

原创文章，转载请注明： 转载自 http://www.cnblogs.com/tovin/p/3816289.html