分享 | 机器学习算法之逻辑回归 LR

[linglingk]

逻辑回归又称 LR，是一种广义的线性回归分析模型，它是分类中极为常用的手段，因此，掌握其内在原理是非常必要的。

• 什么是逻辑回归?

逻辑回归就是这样的一个过程：面对一个回归或者分类问题，建立代价函数，然后通过优化方法迭代求解出最优的模型参数，最后测试验证这个求解模型的好坏。

逻辑回归虽然名字里带“回归”，但是它实际上是一种分类方法，主要用于两分类问题（即输出只有两种，分别代表两个类别）。

回归模型中，y 是一个定性变量，比如 y = 0 或 1，logistic 方法主要应用于研究某些事件发生的概率。

• 逻辑回归过程

假设有一个二分类问题，输出为 y 属于 {0，1}，而线性回归模型产生的预测值为 z = w^T * x + b 是实数值，我们希望有一个理想的阶跃函数来帮我们实现 z 值到 0/1 值的转化：

然而该函数不连续，我们希望有一个单调可微的函数来供我们使用，这时我们就可以使用 Sigmoid 函数来代替：

sigmoid 函数图像如下：

使用了 Sigmoid 函数之后，由于其取值在 [0, 1] 之间，我们就可以将其视为类 1 的后验概率估计 p(y=1|x)。通俗的说，就是如果有了一个测试点 x，那么就可以用 Sigmoid 函数算出来的结果来当做该点 x 属于类别 1 的概率大小。于是，在分类的时候，当计算的结果大于 0.5 时，我们则以高概率将其归为 1 类，否则则归为 0 类。

• 逻辑回归的代价函数

知道了什么是逻辑回归后，我们就需要训练模型，找到模型对应的参数，这时候我们就需要把模型对应的代价函数定义出来，以优化此目标函数。

这里如果我们像线性回归一样，利用误差的平方和来作为代价函数：

这里的 i 代表第 i 个样本，如果将 sigmoid 函数代入此代价函数里会发现这是目标函数是一个非凸函数，这就意味着代价函数有着许多的局部最小值，这不利于我们的求解：

非凸函数与凸函数函数图像如下：

这时候我们可以使用最大似然法去计算代价函数。前面，我们提到了 sigmoid 函数可以视为类 1 的后验估计，所以我们有：

其中，p(y = 1 | x;w) 表示给定 w，那么样本 x 为类 1 的概率大小。因此有：

接下来使用极大似然估计来根据给定的训练集估计出参数 w：

为了让训练出来的模型很好，则对于已知的样本，对于类 1 的样本，则以高概率偏向 1 （ sigmoid 函数值大），对于类 0 的样本，则以高概率偏向 0 （ 1 - sigmoid 函数的值大），这样则表示 L(w) 的值应该尽可能的大。

为了简化计算，我们对上面的等式两边取一个对数：

我们现在要求的是使得 j(w) 取得最大值时的 w。这时候我们在 l(w) 前面加个负号就变成取最小值，这就是我们最终的代价函数：

• 利用梯度下降法求解参数

对于 sigmoid 函数有一个很重要的性质，下面的推导会利用此性质：

这里我们要明确一点，梯度的负方向就是代价函数下降最快的方向。这样我们就可以使用梯度下降求解参数 w：

对于每一个参数，则有：

所以，在使用梯度下降法更新权重时，只要根据下式即可：

此式与线性回归时更新权重用的式子极为相似，也许这也是逻辑回归要在后面加上回归两个字的原因吧。

当然，在样本量极大的时候，每次更新权重会非常耗费时间，这时可以采用随机梯度下降法，这时每次迭代时需要将样本重新打乱，然后用下式不断更新权重。 如是去掉了求和，针对每个样本点都进行更新，即：