文章目錄

• 邏輯回歸算法
• • 邏輯回歸概念
  • Sigmoid函數
  • 邏輯回歸模型
  • 代價函數
  • 最終運用梯度下降求解
  • 實驗
  • 總結

邏輯回歸算法

首先明確一個概念，邏輯回歸并不是解決回歸問題，而是解決分類問題，它是通過訓練數據中的正負例，學習樣本特征得到標簽之間的假設函數，是一種典型的線性分類器。

邏輯回歸概念

面對一個回歸或者分類問題，建立代價函數，然后通過優化方法迭代求解出最優的模型參數，然后測試驗證求解模型的好壞。

邏輯回歸實際是一種分類方法，主要用于兩分類問題，即輸出只有兩種，分別代表兩個類別。用Sigmoid函數就可以讓邏輯回歸只能輸出兩種值。

Sigmoid函數

Logistic函數（或Sigmoid函數），函數形式為：

對應圖形如下：

可以看出，Sigmoid函數是一個S型的曲線，它的取值在[0,1]之間，在遠離0的地方函數值會很快接近0或1?？梢运伎?#xff0c;一個事件發生的概率是在0到1之間的，每一個概率都可以映射到函數的某一個值上，就可以歸類為超過50%的概率更容易實現歸一為1，低于50%的概率更不容易實現歸一為0，這樣就存在了只有0/1的二分類問題。

邏輯回歸模型

邏輯回歸模型所做的假設是：

可以發現，這里離將Sigmoid函數中的變量x換成了一個線性回歸公式，組成了新的邏輯回歸公式。

代價函數

邏輯回歸算法也是用最大似然估計來學習的，所以單個樣本的后驗概率為：

這是一個二項分布的整合式，相當于當y取1時，式子取h(x)，而當y取0時，式子取1-h(x)。那么整個樣本的后驗概率為：

轉換成矩陣式，取對數可以得到對數似然度：

最終運用梯度下降求解

對數似然是越大越好的，求梯度下降需要在式子前邊加負號，轉變為求解最小值。所以求偏導的式子可以表示為：

最終可以化簡為：

可以說，沿梯度負方向選擇一個較小的步長可以保證代價函數是減小的，另一方面代價函數是凸函數，可以保證找到的局部最優值是全局最優。

實驗

利用梯度下降實現邏輯回歸模型，下述代碼用于求解y=2x1+x2+3，即使用梯度下降法求解y=ax1+bx2+c中參數a、b、c的最優值：

import numpy as np import matplotlib.pyplot as pltrate = 0.001 x_train = np.array([[1,2], [2,1], [2,3], [3,5], [1,3], [4,2], [7,3], [4,5], [11,3], [8,7]]) y_train = np.array([7,8,10,14,8,13,20,16,28,26]) x_test = np.array([[1,4], [2,2], [2,5], [5,3], [1,5], [4,1]])a = np.random.normal() b = np.random.normal() c = np.random.normal()def h(x):return a * x[0] + b * x[1] + cfor i in range(100):sum_a = 0sum_b = 0sum_c = 0for x, y in zip(x_train, y_train):for xi in x:sum_a = sum_a + rate * (y - h(x)) * xisum_b = sum_b + rate * (y - h(x)) * xia = a + sum_ab = b + sum_bc = c + sum_cplt.plot([h(xi) for xi in x_test])print(a) print(b) print(c)result = [h(xi) for xi in x_train] print(result)result = [h(xi) for xi in x_test] print(result)plt.show()

算法求得的a、b、c的最優值和效果圖如圖所示：

總結

邏輯回歸具有一些優點：形式簡單，模型的可解釋性非常好。從特征的權重可以看到不同的特征對最后結果的影響，某個特征的權重值比較高，那么這個特征最后對結果的影響會比較大。訓練速度較快。分類的時候，計算量僅僅只和特征的數目相關，訓練的速度可以通過堆機器進一步提高，這樣我們可以在短時間內迭代好幾個版本的模型。

但是邏輯回歸本身也有許多的缺點：準確率并不是很高。因為形式非常的簡單(非常類似線性模型)，很難去擬合數據的真實分布。很難處理數據不平衡的問題。舉個例子：如果我們對于一個正負樣本非常不平衡的問題，比如正負樣本比 10000:1，我們把所有樣本都預測為正也能使損失函數的值比較小。但是作為一個分類器，它對正負樣本的區分能力不會很好。處理非線性數據較麻煩。邏輯回歸在不引入其他方法的情況下，只能處理線性可分的數據，或者進一步說，處理二分類的問題 。

總結

以上是生活随笔為你收集整理的机器学习——逻辑回归算法的全部內容，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。