逻辑回归(logistic regression)

logistic regression能够解决分类问题，即输出的结果仅仅有0和1两种，比方，对于邮件的推断仅仅有是或者否。这样的分类问题使用传统的线性回归并不能非常好的解决。

一个小样例

比如，当我们依据肿瘤的大小推断一个肿瘤是不是良性的时候，输出结果仅仅有是或者否，用1和0表示，给定的样本点，而且我们使用传统的线性回归问题解决拟合的函数图像例如以下：

图像中我们能够依据拟合曲线，当输出值大于0.5（依据图像推断的值）的时候，确定输出的为恶性（即为1）；当输出值小于0.5（依据图像推断的值）的时候，确定输出的为良性（即为0）。可是，当我们有新的样本点增加的时候，例如以下图：

我们会发现，对于新的拟合曲线使用上面的方法和标准(0.5)并不能非常好的做出预測。因此我们须要新的回归形式，即以下要说的logistic回归。

sigmoid函数，又称为逻辑函数。是一个单调上升的函数，函数的形式例如以下：
1/(1 + EXP(-A*(X-C)))

当中A和C为參数，A控制着函数的陡峭程度，C控制着函数的对称点的水平坐标位置，以下用三个函数图像说明：

图像1，A=1，C=0：

图像2，A=10,C=0：

图像3，A=1,C=5：

从上面的图像能够看出，logistic函数非常适合做我们刚開始提出的数据的拟合问题。如今我们如果我们曾经的如果函数为

当中的

θ为我们须要计算的參数，计算好的參数可以使得曲线非常好的拟合样本点。

对于给定的以上的回归模型，我们如何拟合θ？这里我们使用概率统计中的最大似然预计做推导。
如果概率模型例如以下（由于函数值在0和1之间，因此我们能够直接如果例如以下，但实际上函数的值并非概率）：

上面的函数能够合并写成例如以下的形式：

由于y的值仅仅有0和1，因此当y=0的时候仅仅有后半部分；当y=1的时候，仅仅有前半部分，因此，能够写成上面的形式。
跟曾经一样，我们须要写出似然函数，然后拟合參数，使得似然函数最大化，似然函数例如以下（如果样本点满足独立同分布）:

为了便于计算，取其对数：

至此，拟合參数为了最大化上面的形式。跟前面的一样，我们使用梯度下降的方法寻找使得函数最大化的參数值。首先求梯度：

然后，參数的迭代公式为例如以下形式（注意，这里为求函数的最大值，而前面的为求函数的最小值，因此符号为“+”）:

剩下的就是选择梯度下降的算法，一般选择随机梯度下降。

来源：https://www.cnblogs.com/blfshiye/p/4272985.html

标签