什么是邏輯回歸？

Logistic回歸與多重線性回歸實際上有很多相同之處，最大的區別就在于它們的因變量不同，其他的基本都差不多。正是因為如此，這兩種回歸可以歸于同一個家族，即廣義線性模型（generalizedlinear model）。

這一家族中的模型形式基本上都差不多，不同的就是因變量不同。

• 如果是連續的，就是多重線性回歸；
• 如果是二項分布，就是Logistic回歸；
• 如果是Poisson分布，就是Poisson回歸；
• 如果是負二項分布，就是負二項回歸。

Logistic回歸的因變量可以是二分類的，也可以是多分類的，但是二分類的更為常用，也更加容易解釋。所以實際中最常用的就是二分類的Logistic回歸。

Logistic回歸的主要用途：

• 尋找危險因素：尋找某一疾病的危險因素等；
• 預測：根據模型，預測在不同的自變量情況下，發生某病或某種情況的概率有多大；
• 判別：實際上跟預測有些類似，也是根據模型，判斷某人屬于某病或屬于某種情況的概率有多大，也就是看一下這個人有多大的可能性是屬于某病。

Logistic回歸主要在流行病學中應用較多，比較常用的情形是探索某疾病的危險因素，根據危險因素預測某疾病發生的概率，等等。例如，想探討胃癌發生的危險因素，可以選擇兩組人群，一組是胃癌組，一組是非胃癌組，兩組人群肯定有不同的體征和生活方式等。這里的因變量就是是否胃癌，即“是”或“否”，自變量就可以包括很多了，例如年齡、性別、飲食習慣、幽門螺桿菌感染等。自變量既可以是連續的，也可以是分類的。

?

常規步驟

Regression問題的常規步驟為：

尋找h函數（即hypothesis）；

構造J函數（損失函數）；

想辦法使得J函數最小并求得回歸參數（θ）

構造預測函數h

Logistic回歸雖然名字里帶“回歸”，但是它實際上是一種分類方法，主要用于兩分類問題（即輸出只有兩種，分別代表兩個類別），所以利用了Logistic函數（或稱為Sigmoid函數），函數形式為：

Sigmoid 函數在有個很漂亮的“S”形，如下圖所示（引自維基百科）：

?

下面左圖是一個線性的決策邊界，右圖是非線性的決策邊界。

對于線性邊界的情況，邊界形式如下：

構造預測函數為：

函數的值有特殊的含義，它表示結果取1的概率，因此對于輸入x分類結果為類別1和類別0的概率分別為：

構造損失函數J

Cost函數和J函數如下，它們是基于最大似然估計推導得到的。

下面詳細說明推導的過程：

（1）式綜合起來可以寫成：

取似然函數為：

對數似然函數為：

最大似然估計就是求使取最大值時的θ，其實這里可以使用梯度上升法求解，求得的θ就是要求的最佳參數。但是，在Andrew Ng的課程中將取為下式，即：

因為乘了一個負的系數-1/m，所以取最小值時的θ為要求的最佳參數。

梯度下降法求的最小值

θ更新過程：

?

θ更新過程可以寫成：

?

向量化Vectorization

Vectorization是使用矩陣計算來代替for循環，以簡化計算過程，提高效率。

如上式，Σ(...)是一個求和的過程，顯然需要一個for語句循環m次，所以根本沒有完全的實現vectorization。

下面介紹向量化的過程：

約定訓練數據的矩陣形式如下，x的每一行為一條訓練樣本，而每一列為不同的特稱取值：

g(A)的參數A為一列向量，所以實現g函數時要支持列向量作為參數，并返回列向量。由上式可知可由一次計算求得。

θ更新過程可以改為：

綜上所述，Vectorization后θ更新的步驟如下：

（1）求；

（2）求；

（3）求?。

?

正則化Regularization

過擬合問題

對于線性回歸或邏輯回歸的損失函數構成的模型，可能會有些權重很大，有些權重很小，導致過擬合（就是過分擬合了訓練數據），使得模型的復雜度提高，泛化能力較差（對未知數據的預測能力）。

下面左圖即為欠擬合，中圖為合適的擬合，右圖為過擬合。

問題的主因

過擬合問題往往源自過多的特征。

解決方法

1）減少特征數量（減少特征會失去一些信息，即使特征選的很好）

• 可用人工選擇要保留的特征；
• 模型選擇算法；

2）正則化（特征較多時比較有效）

• 保留所有特征，但減少θ的大小

正則化方法

正則化是結構風險最小化策略的實現，是在經驗風險上加一個正則化項或懲罰項。正則化項一般是模型復雜度的單調遞增函數，模型越復雜，正則化項就越大。

從房價預測問題開始，這次采用的是多項式回歸。左圖是適當擬合，右圖是過擬合。

直觀來看，如果我們想解決這個例子中的過擬合問題，最好能將的影響消除，也就是讓。假設我們對進行懲罰，并且令其很小，一個簡單的辦法就是給原有的Cost函數加上兩個略大懲罰項，例如：

這樣在最小化Cost函數的時候，。

正則項可以取不同的形式，在回歸問題中取平方損失，就是參數的L2范數，也可以取L1范數。取平方損失時，模型的損失函數變為：

lambda是正則項系數：

• 如果它的值很大，說明對模型的復雜度懲罰大，對擬合數據的損失懲罰小，這樣它就不會過分擬合數據，在訓練數據上的偏差較大，在未知數據上的方差較小，但是可能出現欠擬合的現象；
• 如果它的值很小，說明比較注重對訓練數據的擬合，在訓練數據上的偏差會小，但是可能會導致過擬合。

正則化后的梯度下降算法θ的更新變為：

正則化后的線性回歸的Normal Equation的公式為：

其他優化算法

• Conjugate gradient method(共軛梯度法)
• Quasi-Newton method(擬牛頓法)
• BFGS method
• L-BFGS(Limited-memory BFGS)

后二者由擬牛頓法引申出來，與梯度下降算法相比，這些算法的優點是：

• 第一，不需要手動的選擇步長；
• 第二，通常比梯度下降算法快；

但是缺點是更復雜。

?

多類分類問題

對于多類分類問題，可以將其看做成二類分類問題：保留其中的一類，剩下的作為另一類。

對于每一個類 i 訓練一個邏輯回歸模型的分類器，并且預測y = i時的概率；對于一個新的輸入變量x, 分別對每一個類進行預測，取概率最大的那個類作為分類結果：

??

總結

以上是生活随笔為你收集整理的逻辑回归详解的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。