R语言与机器学习学习笔记（分类算法）（6）logistic回归

写在前面的废话

2014，又到了新的一年，首先祝大家新年快乐，也感谢那些关注我的博客的人。

现在想想数据挖掘课程都是去年的事了，一直预告着，盘算着年内完工的分类算法也拖了一年了。

本来打算去年就完成分类算法，如果有人看的话也顺带提提关联分析，聚类神马的，

可是，。

借着新年新气象的借口来补完这一系列的文章，

可是，这明明就是在发。

尽管这个是预告里的最后一篇，但是我也没打算把这个分类算法就这么完结。尽管每一篇都很浅显，每个算法都是浅尝辄止的，在deep learning那么火的今天，掌握这些东西算起来屌丝得不能再屌丝了。考虑到一致性与完备性，最后补上两篇一样naive的：组合方法提高分类效率、几种分类方法的绩效讨论。希望读到的人喜欢。

算法六：logistic回归

        由于我们在前面已经讨论过了神经网络的分类问题（参见《R语言与机器学习学习笔记（分类算法）（5）》），如今再从最优化的角度来讨论logistic回归就显得有些不合适了。Logistic回归问题的最优化问题可以表述为：寻找一个非线性函数sigmoid的最佳拟合参数，求解过程可使用最优化算法完成。它可以看做是用sigmoid函数作为二阈值分类器的感知器问题。

       今天我们将从统计的角度来重新考虑logistic回归问题。

一、logistic回归及其MLE

       当我们考虑解释变量为分类变量如考虑一个企业是否会被并购，一个企业是否会上市，你的能否考上研究生这些问题时，考虑线性概率模型P（yi =1）= β0 + β1xi 显然是不合适的，它至少有两个致命的缺陷：1、概率估计值可能超过1，使得模型失去了意义；（要解决这个问题并不麻烦，我们将预测超过1的部分记为1，低于0的部分记为0，就可以解决。这个解决办法就是计量里有一定历史的tobit模型）2、边际效应假定为不变，通常来说不合经济学常识。考虑一个边际效应递减的模型（假定真实值为蓝线），可以看到线性模型表现很差。

        但是sigmoid函数去拟合蓝线确实十分合适的。于是我们可以考虑logistic回归模型：

         假定有N个观测样本Y1,Y2,…,YN，设P(Yi=1|Xi)=π(Xi)为给定条件Xi下得到结果Yi=1的条件概率；而在同样条件下得到结果Yi=0的条件概率为P(Yi=0|Xi)=1-π(Xi)，于是得到一个观测值的概率P（Yi）=π(Xi)^Yi[1-π(Xi)]^1-Yi假设各观测独立，对logistic回归模型来说，其对数似然函数为：

        于是便可求解出logistic模型的MLE。

二、logit还是probit？

       虽说sigmoid函数对边际递减的模型拟合良好，但是我们也要知道S型函数并非仅sigmoid函数一个，绝大多数的累积分布函数都是S型的。于是考虑F^-1（P）（F为标准正态分布的累积分布函数）也不失为一个很好的选择。像这样的，对概率P做一点变换，让变换后的取值范围变得合理，且变换后我们能够有办法进行参数估计的，就涉及到广义线性模型理论中的连接函数。在广义线性模型中我们把log(P/(1-P))称为logit，F^-1（P）（F为标准正态分布的累积分布函数）称为probit。那么这里就涉及到一个选择的问题：连接函数选logit还是probit？logistic回归认为二分类变量服从伯努利分布，应当选择logit，而且从解释的角度说，p/（1-p）就是我们常说的odds ratio，也就是软件报告中出现的OR值。

             但是probit也有它合理的一面，首先，中心极限定理告诉我们，伯努利分布在样本够多的时候就是近似正态分布的；其次，从不确定性的角度考虑，probit认为我们的线性概率模型服从正态分布，这也是更为合理的。

         我们来看一下经过变换后，自变量和P的关系是什么样子的：

        如果你确实想知道到底你的数据用哪一个方法好，也不是没有办法，你可以看一下你的残差到底是符合logit函数呢还是符合probit