博客 | 机器学习算法系列(一)：logistic回归

会员服务 ·

博客 | 机器学习算法系列(一)：logistic回归

2019 年 4 月 14 日 AI研习社

作者 | Ray

编辑 | 安可

出品 | 磐创AI技术团队

目录：

一、Logistic分布

二、二项Logistic回归原理

三、参数估计

四、Logistic回归的正则化

五、Logistic回归和线性回归区别

六、为什么Logistic回归的输入特征一般都是离散化而不是连续的？

七、Logistic回归和SVM的关系

一、Logistic分布

定义：X是连续随机变量，X服从logistic分布，则X具有下列的分布函数和密度函数：

其中，μ为位置参数，γ为形状参数

曲线在中心附近增长速度较快，并且γ值越小，曲线在中心附近的增长速度越快。

特别的，当μ=0，γ=1的时候就是sigmoid函数。

二、二项Logistic回归原理

二项Logistic回归模型时一种分类模型，由条件概率分布P(Y|X)表示，随机变量Y取0或1。

定义二项logistic回归模型的条件分布如下：

其中x∈Rⁿ是输入，Y∈{0,1}是输出，W∈Rⁿ和b∈R是参数，w称为权重，b称为偏置。

有时为了方便会将权重向量和输入向量进行扩充：

w = (w¹,w2, …, wⁿ, b)^T， x = (x¹,x², …, xⁿ, 1)^T

所以，logistic回归模型变为：

得到概率之后，我们可以通过设定一个阈值将样本分成两类。如：阈值为0.5的时候，当大于0.5则为一类，小于0.5为另一类。

三、参数估计

有了以上的模型，我们就需要对模型中的参数w求出来。我们可以使用极大似然估计法估计模型的参数。

设：

似然函数为：

对数似然函数：

对L(w)求极大值，得到w的估计值。通常采用梯度下降法或拟牛顿法求解参数w。

四、Logistic回归的正则化

正则化是为了解决过拟合问题。分为L1和L2正则化。目标函数中加入正则化，即加入模型复杂性的评估。正则化符合奥卡姆剃刀原理，即：在所有可能的模型中，能够很好的解释已知数据并且十分简单的模型才是最好的模型。

加入正则化后，模型的目标函数变为：

P表示范数，p=1为L1正则化，p=2为L2正则化

L1正则化：向量中各元素绝对值的和。关键在于能够对特征进行自动选择，稀疏参数可以减少非必要的特征引入噪声。

L2正则化：向量中个元素的平方和，L2会使得各元素尽可能小，但都不为零。

左边为L1正则化，右边为L2正则化。假设权重参数w只有二维w1和w2。L1为各元素绝对值和，即|w1|+|w2| = C，则得到的形状为棱形，L2为(w1)^2+(w2)^2 = C，则形状为圆。很容易可以发现L1更容易在顶点处相切，L2则不容易在顶点处相切。顶点处则其中一个参数为0，这就是为什么L1会使得参数稀疏的原因。

五、Logistic回归和线性回归区别

1. Logistic回归在线性回归的实数输出范围加上sigmoid函数，将输出值收敛在0~1之间。其目标函数也因此从差平方和函数变为对数损失函数。

2. 逻辑回归和线性回归都是广义的线性回归，线性回归是使用最小二乘法优化目标函数，而逻辑回归是使用梯度下降或者拟牛顿法。

3. 线性回归在整个实数域范围内进行预测，敏感度一致，而分类范围需要在[0,1]。逻辑回归是一种减少预测范围，将预测值限定为[0,1]间的一种回归模型。因而对于二分类问题，逻辑回归的鲁棒性更好。

4. 逻辑回归是以线性回归为理论支持的，但线性回归模型无法做到sigmoid的非线性形式。Sigmoid可以轻松处理0/1分类问题。

六、为什么Logistic回归的输入特征一般都是离散化而不是连续的？

1. 离散特征容易增加和减少，使得模型容易迭代。

2. 离散特征的内积运算速度快，计算结果方便存储。

3. 对异常值不敏感，比如一个特征是年龄>30为1，否则为0，如果特征没有离散化。一个异常数据300岁会给模型带来很大的干扰。

4. 逻辑回归是广义线性模型，表达能力受限。单变量离散化为N个后，每个变量都有单独的权重，相当于为模型引入了非线性，能够提升模型的表达能力，加大拟合。

5. 特征离散化后可以进行特征交叉，由M+N变量变为M*N个变量，进一步引入非线性，提升表达能力。

6. 特征离散化后，模型会更加稳定。比如对用户年龄离散化，将20~30作为一个区间，这样不会因为一个用户年龄大了一岁就变成完全不同的人了，当然处于区间相邻处的样本就刚好相反，所以怎么划分区间是们学问。