7分钟搞懂逻辑回归的来龙去脉

NLP情报局

共 1898字,需浏览 4分钟

 ·

2021-02-18 22:17

逻辑回归(Logistic Regression)是一种统计机器学习方法,简单易用,却涉及很多知识点。正所谓麻雀虽小,五脏俱全。
大多数教程都是从定义和原理出发,来讲解逻辑回归,容易显得晦涩难懂。本文将结合实例和图示,帮助读者在7分钟内搞懂逻辑回归算法。

功能

逻辑回归一般用于二分类任务,并能给出两个类的相应概率
常见的应用包括垃圾邮件判别、银行判断是否给用户贷款等等。当然,二分类问题可以扩展到多分类问题。
做二分类任务,最简单的判别函数是阶跃函数,如下图红线所示。 判断为正类(1,反之为负类(0)

但阶跃函数不连续,过于“死板”,不便于后续求导优化。因此用logistic function(上图黑线)代替,因为呈现“S”形,也称为 sigmoid function,对应公式:
  
定义域为整个实数集合,值域为0~1,相当于概率值。

为何不叫逻辑分类?

既然是做分类任务,为什么不叫它“逻辑分类”呢?
首先,“逻辑”指的是“logistic”(音译),“回归”来源于线性回归的  ,使用线性回归去拟合逼近一个决策边界,使得按照这个边界进行数据分类后的总损失最小。
以概率0.5作为界线,将数据分为正例和反例。当  ,对应正例(趋近于概率1);当  ,对应负例(趋近于概率0)。
这是在使用回归的思想去解决分类问题,所以称为逻辑回归。等价于在线性回归外包裹了一层sigmoid函数,将离散值映射为0和1之间的概率,以0.5为界。

核心问题

理解逻辑回归的一个核心问题是,如何求解决策边界  ?
对于二维输入样本点,  等价于:
  
求最优决策边界,等价于求  的值。当样本的真实标签  是1和0时,我们定义一个损失函数:

以  为例,当模型的预测值  趋向1时,损失函数取值也应该越来越小;反之,当  趋向0时,损失函数值越来越大,可以通过函数  体现。模型的训练目的是尽可能减小损失,所以会让输出值朝着1的方向学习。
是否可以将两类的cost函数合并到一块,方便计算总损失呢?
通过一个“聪明”的对数似然函数,我们达到了目的:
  
其中:  
对于下图的样本点,绿线是决策边界。绿线上部  ,距离绿线越远  越大,预测值  越接近1。

求解边界

明确了损失函数后,我们来计算模型参数的最优值。首先需要计算cost对参数  的导数,再借助梯度下降等算法微调参数值,不断逼近最优解。
假设我们有10个样本点,每个样本包含3个特征,则  维度为[10, 3],  维度为[3, 1],  和  的维度为[10, 1]。
  
损失函数:
  
cost的维度也是[10, 1]。cost和H相关,H和Z相关,Z和WX相关,存在关系映射:cost~H~Z~X。根据链式求导法则,整个计算过程如下:

最终的结果是:  ,维度是[3, 1],即  。

梯度下降法

刚刚我们使用了梯度下降法迭代求解最优的  ,一共分为3步:
  • 初始化  
  • 更新  :  
  • 代到一定次数或阈值,结束
当cost函数是凸函数时,可以保证cost降到全局最小,否则可能只走到局部最小。

在cost不断减小的过程中,将求得最优的分界线。

使用逻辑回归,我们可以使用python、C++等语言自己实现,或借助机器学习工具包Sklearn中的接口 LogisticRegression [2]
现在,大家是不是理解了逻辑回归的思想呢?如有疑问,欢迎交流(vx:cs-yechen)

深度学习资源下载
在NLP情报局公众号后台回复“三件套”,即可获取深度学习三件套:
《PyTorch深度学习》,《Hands-on Machine Learning》,《Python深度学习》
推 荐 阅 读

参 考 文 献

[1] 文小刀机器学习|逻辑回归:https://www.bilibili.com/video/BV1As411j7zw
[2] LogisticRegression: https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html

欢  迎  关  注 👇

原创不易,有收获的话请帮忙点击分享、点赞在看吧🙏


浏览 45
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报