1.1 逻辑回归原理详解
1.1.1 LR原理讲解+公式推导
从公式推导中详细讲解逻辑回归算法的原理。
线性回归模型：
逻辑回归是用来估计一个实例属于某个特定类别的概率，是一个二分类算法，如果预估概率大于等于50%，则模型预测该实例为正类，反之，则预测为负类。
则需要把y从负无穷大到正无穷大映射为概率p从0到1，可以设置为：
则：
两边取e,整理后，得到逻辑函数：
一旦逻辑回归模型估算出实例x属于正类的概率为p,那么就可以轻松推断出y值。
假设：
则：
我们需要对系数θ估计，可以采用极大似然估计（MLE），通过最大化对数似然值来估计参数。
注：极大似然估计定义见下文详细讲解。
两边取对数，连乘会改为连加。
单个训练实例的成本函数：
当p接近于0时，-log(p)就会变得非常大，如果模型估计一个正类的概率接近于0，成本将会变得很高。同理，估计一个负类实例的概率接近于1，成本也会变得非常高。
整个训练集的成本函数即为训练实例的平均成本。逻辑回归成本函数表示如下。
逻辑回归成本函数（log损失函数）：
这是一个凸函数，通过梯度上升能够找出全局最大值。（只要学习率不是太高，又可以长时间等待）
对logL求某个系数θ的偏导：
手写过程如下所示：
即：逻辑回归成本函数的偏导数为每个实例真实值与预测值的误差，将其乘以第j个特征值，并求和。
那么怎么获得系数呢？通过
这个函数开口向下，使用梯度上升算法，获得全局最大值。
：学习率，也称步长，即一个点移动到另一个点的直线长度，自己给定，为固定值，可调整，不宜过高。
：对求偏导
θ：初始化一个任意值
θ初始化一个值后，可以计算得到预测的y值，计算预测误差，得到偏导，通过梯度上升算法更新θ值。
我们反过来回顾下：
通过梯度上升算法获得拟合效果最好的系数θ，根据sigmoid函数，输入特征X代入，得到概率p值，通过P值是否大于0.5，最终得到预测结果y。
1.1.2 逻辑回归的应用场景和优缺点
1.1.2.1 应用场景
- Logistic回归是一种用于解决二分类问题的机器学习方法，是一种判别模型：表现为直接对条件概率P(y|x)建模，而不关心背后的数据分布P(x,y)
- 用于估计某种事物的可能性。比如某用户购买某商品的可能性、某病人患有某种疾病的可能性、以及某广告被用户点击的可能性等。
1.1.3 优缺点
1.1.3.1 优点
- 系数表示该特征的权重大小，可解释性强，原理基于线性回归，易于理解。
- 计算代价不高
1.1.3.2 缺点
- 容易欠拟合，分类精度可能不高
1.1.4 专业名词介绍
1.1.4.1 极大似然估计
极大似然估计，又称最大似然估计。
极大似然估计的原理，用一张图片来说明，如下图所示：
试验是取出一个球是黑球，第一印象就是这个黑球最像是从乙箱取出来的，这个推断符合人们的经验事实。“最像”就是“最大似然”之意，就是概率性是最大的。
总而言之，极大似然估计的目的就是：利用已知的样本结果，反推最有可能（最大概率）导致这样结果的参数值。
原理：极大似然估计是建立在极大似然原理的基础上的一个统计方法，是概率论在统计学中的应用。极大似然估计提供了一种给定观察数据来评估模型参数的方法，即：“模型已定，参数未知”。通过若干次试验，观察其结果，利用试验结果得到某个参数值能够使样本出现的概率为最大，则称为极大似然估计。以下仅介绍总体X为离散型的情况。
若总体X（即输入特征）属离散型，其分布律
已知（即输出结果y已知）， θ为待估参数，设
为来自X的样本，则
的联合分布律为
又设
是相应于样本的一个样本值，即事件
发生的概率为：
如果
是参数空间中能使似然函数
最大的θ值，则应该是“最可能”的参数值，那么就是θ的极大似然估计量。它是样本集的函数，记作：
称作极大似然函数估计值。
1.1.4.2 凸函数、凹函数
1.1.4.2.1 函数凹凸性定义
以下为国内的凹凸性定义，与国外凹凸性定义相反。
设
在区间I上有定义
（1） 若对任意的
，有
则称
在 
内为凸函数，如图1-3-3所示。
（2） 若对任意的 ，有
则称在 内为凹函数，如图1-3-4所示。
1.1.4.2.2 函数凹凸判别法
定理：
（1） 若在内有
，则在 内为凸函数
（2） 若在内有 
，则在 内为凹函数
1.1.4.2.3 逻辑回归目标函数是凸函数证明
目标函数：
一阶偏导：
证明过程见LR公式推导部分。
二阶偏导：
由于
，即
，则
恒成立，所以目标函数是凸函数。