本帖最后由 xielixia 于 2019-12-10 11:06 编辑
-----------------------------------------------------------------------------------------------------------------------------------------------------
写在最前面，本篇内容来源于我的博客https://blog.csdn.net/weixin_40449129/article/details/102541838。本篇帖子主要对逻辑回归的算法原理进行详细推导，其中会涉及到微积分，概率论等一些数学知识，需要一定数学基础（本人水平有限，无法通俗易懂的解释逻辑回归）。另外现在论坛还不支持公式输入，以及图片大小的调整，所有的公式都是复制的图片，看起来特别变扭。
-----------------------------------------------------------------------------------------------------------------------------------------------------
逻辑回归（Logistic Regression）是一个分类算法，既可以用来解决二分类问题也可以解决多分类问题。那么为什么名为“回归“的算法却是用来解决分类问题的呢？本文将对逻辑回归的由来及原理做出详细的总结。
1）线性回归（Linear Regression)
线性回归一般化的描述指通过计算输入变量的加权和，并加上一个常数偏置项（截距项）来得到一个预测值。线性回归预测模型如下（向量形式）：
线性回归是求出输出特征向量yˆ和输入样本矩阵X之间的线性关系系数θ，然后给定一个特征向量X，输出一个预测值yˆ。由于yˆ的值是一个连续的数值，因此线性回归是一个回归模型。
2）分类问题（Classification Problem)
对于一个二分类问题，假如给定一个样本x，我们需要估计该样本属于特定的一个类别的概率（比如是否是垃圾短信？）。假如我们估计样本xxx是垃圾概率的概率大于50%，则我们认为他是正类（label=1），否则我们认为它是负类（label=0 or label=−1）。这就是一个二分类问题。
那么对于多分类问题，我们可以其转换成多个二分类问题，比如最简单的OVA(One-vs-all)方法，也可以直接用多元逻辑回归的方法解决，比如Many-vs-Many(MvM)。
3）回归问题到分类问题（Linear Regression To Classification Problem）
那么如何用连续的数值去预测离散的标签值？我们能否将线性回归输出的一个连续的数值变成一个标签呢？一个比较直观的想法是设定一个阈值，比如回归模型输出的y大于0时，属于正类，y小于0时属于负类，这种方法叫做感知机（Perceptron）。
感知机的方法可以很好的将一个连续的数值变成一个标签，但它有一个问题，即将y等于1时，和y等于100时，视为完全一样，都归为正类。那我们是否有更好的一个方法，将y等于1和y等于100都归为正类的同时，也考虑它们各自属于正类的置信度呢？
这种方法就是逻辑回归（Logistic Regression），我们不直接去预测类别，而是预测类别为正的概率。如果样本类别为正的概率大于0.5，则认为样本为正类，否则为负类。
4 ）逻辑函数（Logistic Function）
那么如何将线性回归的输出值y，y属于（-∞, +∞），转换成[0,1]的概率的呢？
正好，有一个Sigmoid函数，表达式和函数图像如下：
一旦逻辑回归能够估计样本X属于正类的概率
，那么很容易通过以下公式去判断样本x属于哪个类别：
因此，逻辑回归的函数为：
对于二分类问题，逻辑回归函数可以写成：
将两式合并，可写成：
5）决策边界（Decision Boundaries）
对于二分类问题，逻辑回归函数为：
由于位于决策边界上的点属于正负类的概率相等，因此对于二分类问题一下两式相等：
因此逻辑回归的决策边界是线性函数，因此逻辑回归是线性分类器。
6）目标函数（Objective Function）
假设我们有数据集
对于二分类逻辑回归有：
我们需要最大化目标函数：
将逻辑回归函数带入目标函数得：
7）最小化目标函数（Minimizing the Function）
由上节可知，逻辑回归目标函数为：
由于逻辑回归目标函数对于求解最小化损失函数的w,bw,bw,b是没有公式解（没有等价的正态方程）。 但好消息是，这个目标函数是凸函数，所以利用梯度下降算法（或任何其他优化算法）一定能够找到全局最小值。
首先我们用损失函数L(w,b)L(w,b)L(w,b)对参数www求偏导，
同理，可对参数b求偏导，得：
下面我们用梯度下降算法（GD）更新参数w,b：
当样本量非常大时，每一次更新参数w,b时的计算复杂度为O(n)，因此有了随机梯度下降算法（SGD），批量梯度下降算法（BGD）。在深度学习中，通常我们运用批量梯度下降算法。
8）正则项（Penalty）
当逻辑回归面临过拟合的问题，我们可以通过在损失函数中加入正则项。常见的正则有L1正则和L2正则。
二元逻辑回归加入L1正则后，目标函数为：
加入L2正则后，目标函数为：
既加入L1正则，又加入L2正则（elasticnet），目标函数为：
其中超参数λ\lambdaλ用交叉验证的方式去选择最好的超参数。
一般来说，既加入L1正则，又加入L2正则，模型表现要比 只加L1好，因为当特征数量比样本的数量大的时候，或者特征之间有很强的相关性时，L1正则可能会表现的不规律。
L1正则化就是在损失函数后边所加正则项为L1范数，加上L1范数容易得到稀疏解，所以可以用来做特征选择；L2正则化就是损失函数后边所加正则项为L2范数的平方，L2正则相比于L1正则来说，得到的解更平滑，但是同样能够保证解中接近于0的维度比较多，降低模型的复杂度。
9）Softmax Regression
逻辑回归模型可以直接推广到支持多类别分类，不必要组合和训练多个二分类器，其称为 Softmax 回归或多类别 Logistic 回归。
Softmax原理很简单：在给定一个实例x时，Softmax回归模型首先计算k类的分数sk(x)，然后将分数应用在Softmax函数（也称为归一化指数）上做归一化处理，估计出每类的概率。
和 Logistic 回归分类器一样，Softmax 回归分类器将估计概率最高（它只是得分最高的类）的那类作为预测结果。
现在我们知道这个模型如何估计概率并进行预测，接下来将介绍如何训练。和二分类类似，多分类目标函数如下：
经过优化，多元逻辑回归的目标函数为：
同理，多元逻辑回归的目标函数优化方法和二元逻辑回归类似，这里就不累述。
10）小结
逻辑回归尤其是二元逻辑回归是非常常见的模型，训练速度很快，虽然使用起来没有支持向量机（SVM）那么占主流，但是解决普通的分类问题是足够了，训练速度也比起SVM要快不少。
下篇我们使用逻辑回归模型去做一个金融欺诈行为分析。
（欢迎转载，转载请注明出处。）
|
