Logistic回归的基本原理(简单介绍)
目录
- LR回归
- 概率解释
LR回归
Logistic 回归是一种分类器,功能与贝叶斯分类器,SVM等分类器一致,是用于分类的,而不是进行数据回归的。下面简单介绍下整个LR模型的基本原理,主要有两个核心问题,1是LR如何分类,2是如何得到模型内相应的参数。
首先介绍sigmoid函数,sigmoid函数可以把任意实数域内的元素映射到(0,1)(0,1)(0,1)之间。表达式如下:
y(x)=11+e−x(1)y(x)=\frac{1}{1+e^{-x}}\tag{1}y(x)=1+e−x1(1)
图像如下:
值得注意的是,(0,1)(0,1)(0,1)这个区间正好对应了概率的取值,因此sigmoid函数的函数值在某些情况下就可以看成概率。
LR回归的模型很简单,表达式如下:
yi=11+e−wTxi−by_i=\frac{1}{1+e^{-w^Tx_i-b}}yi=1+e−wTxi−b1
首先wTxi+bw^Tx_i+bwTxi+b是一个线性分类器(图像表达为一个超平面),为什么呢?考虑最简单的二维情况:
当数据xix_ixi落在直线上时有wTxi+b=0w^Tx_i+b=0wTxi+b=0
当数据xix_ixi落在直线上方时有wTxi+b>0w^Tx_i+b>0wTxi+b>0
当数据xix_ixi落在直线下方时有wTxi+b<0w^Tx_i+b<0wTxi+b<0
其次yi=11+e−wTxi−by_i=\frac{1}{1+e^{-w^Tx_i-b}}yi=1+e−wTxi−b1也是一个分类器,为什么呢?也考虑二维最简单的情况:
当数据xix_ixi落在直线上时有yi=11+e−wTxi−b=0.5y_i=\frac{1}{1+e^{-w^Tx_i-b}}=0.5yi=1+e−wTxi−b1=0.5
当数据xix_ixi落在直线上方时有yi=11+e−wTxi−b∈(0.5,1)y_i=\frac{1}{1+e^{-w^Tx_i-b}}\in(0.5,1)yi=1+e−wTxi−b1∈(0.5,1)
当数据xix_ixi落在直线下方时有yi=11+e−wTxi−b∈(0,0.5)y_i=\frac{1}{1+e^{-w^Tx_i-b}}\in(0,0.5)yi=1+e−wTxi−b1∈(0,0.5)
因此,LR模型可作为二分类的分类器。
概率解释
已知有数据集X={X1,X2,...,XN}X=\{X_1,X_2,...,X_N\}X={X1,X2,...,XN},对应的二分类标签为{0,1}\{0,1\}{0,1},要得到LR模型中的w,bw,bw,b,肯定有一个训练的过程,而且是有监督的训练过程。
对于数据XiX_iXi,若划分类别为yi(yi∈{0,1})y_i(y_i\in\{0,1\})yi(yi∈{0,1}),那么相应的概率如下:
p(yi=0∣Xi,w,b)=11+e−wTxi−bp(y_i=0|X_i,w,b)=\frac{1}{1+e^{-w^Tx_i-b}}p(yi=0∣Xi,w,b)=1+e−wTxi−b1
p(yi=1∣Xi,w,b)=1−11+e−wTxi−b=e−wTxi−b1+e−wTxi−bp(y_i=1|X_i,w,b)=1-\frac{1}{1+e^{-w^Tx_i-b}}=\frac{e^{-w^Tx_i-b}}{1+e^{-w^Tx_i-b}}p(yi=1∣Xi,w,b)=1−1+e−wTxi−b1=1+e−wTxi−be−wTxi−b
记h(Xi,w,b)=11+e−wTxi−bh(X_i,w,b)=\frac{1}{1+e^{-w^Tx_i-b}}h(Xi,w,b)=1+e−wTxi−b1,因此yyy的概率分布为:
p(yi∣Xi,w,b)=h(Xi,w,b)y(1−h(Xi,w,b))1−y(2)p(y_i|X_i,w,b)=h(X_i,w,b)^y(1-h(X_i,w,b))^{1-y}\tag{2}p(yi∣Xi,w,b)=h(Xi,w,b)y(1−h(Xi,w,b))1−y(2)
为什么是以上这个形式,可以考虑以下概率论中(0,1)(0,1)(0,1)分布的知识。
有了(2)式,如何得到w,bw,bw,b?,由(2)(2)(2)式可知,这属于参数估计问题,最直接的办法是极大似然,似然函数如下:
L(yi∣Xi,w,b)=∏i=1Nh(Xi,w,b)iy(1−h(Xi,w,b))1−yiL(y_i|X_i,w,b)=\prod_{i=1}^Nh(X_i,w,b)^y_i(1-h(X_i,w,b))^{1-y_i}L(yi∣Xi,w,b)=i=1∏Nh(Xi,w,b)iy(1−h(Xi,w,b))1−yi
取对数得:
J(yi∣Xi,w,b)=∑i=1N[yih(Xi,w,b)+(1−yi)(1−h(Xi,w,b))]J(y_i|X_i,w,b)=\sum_{i=1}^N[y_ih(X_i,w,b)+(1-y_i)(1-h(X_i,w,b))]J(yi∣Xi,w,b)=i=1∑N[yih(Xi,w,b)+(1−yi)(1−h(Xi,w,b))]
要得到最优的w,bw,bw,b只需优化以下目标函数:
max[J(yi∣Xi,w,b)]max[J(y_i|X_i,w,b)]max[J(yi∣Xi,w,b)]
其中XiX_iXi为提取出来的特征向量,yiy_iyi为标签,为了求解这个优化问题,可以使用梯度上升法等优化方法。
Logistic回归的基本原理(简单介绍)相关推荐
- VAE 模型基本原理简单介绍
VAE 模型基本原理简单介绍 1. 编写目的 2. 推荐资料 3. 相关背景 3.1 生成模型(Generative model): 3.2 隐变量模型(Latent Variable Models) ...
- 机器学习:Logistic回归介绍
Logistic回归定义 简单来说, 逻辑回归(Logistic Regression)是一种用于解决二分类(0 or 1)问题的机器学习方法,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, ...
- logistic regression_【科研加油站】SPSS操作之有序Logistic回归的详细教程
点击上方蓝字,轻松关注我们 以下内容转载自"医咖会"微信公众号(medieco-ykh),作者张耀文. 上一期我们讨论了有序多分类Logistic回归的SPSS简单操作,本期&qu ...
- MLA Review之四:logistic回归
终于来到logistic回归,logistic回归其实很简单,之前的说到的神经网络就用到了这个方法,其中最重要的就是使用了sigmoid损失函数.当然使用的方法也就最简单的梯度下降法,这里并没有使用之 ...
- '决策树','Logistic回归','支持向量机'
'决策树','Logistic回归','支持向量机' 一.决策树方法的基本原理: 决策树是一种基本的回归与分类方法:可以认为是if-then规则的集合,也可以认为是定义在特征空间与类空间上的条件概率分 ...
- 请你介绍下Logistic回归模型?
请你介绍下Logistic回归模型? 逻辑回归(Logistic Regression)是机器学习中的一种分类模型(注意,不是回归模型,虽然叫logistic Regression),由于算法的简单和 ...
- 如何通过牛顿方法解决Logistic回归问题 By 机器之心2017年8月09日 16:30 本文介绍了牛顿方法(Newton's Method),以及如何用它来解决 logistic 回归。log
如何通过牛顿方法解决Logistic回归问题 By 机器之心2017年8月09日 16:30 本文介绍了牛顿方法(Newton's Method),以及如何用它来解决 logistic 回归.logi ...
- python logistic回归_logistic回归介绍与源码分析
1. 介绍(由线性模型引出logistic回归) 首先介绍一下什么是线性模型呢? 线性模型的定义如下:给定 个属性描述的样本 , 代表样本在第 个属性上的取值. 线性模型的目的是学习一个函数,它可以通 ...
- Logistic回归模型和Zeppelin简单使用
逻辑回归模型 一.模型用途: 一般用来: 通过一些用户个人信息,社会状态,信用历史,缴费信息等数据建立信用风险模型,来预测用户的违约概率. 信用风险一般有模型:Application模型, Behav ...
最新文章
- folder ground 文件访问
- 会计证考试《财经法规与职业道德》第三章精选题
- 开头和结尾标记 在不同系统_文本标记的宝藏平台——Docusky
- HDU1166敌兵布阵
- springboot配置定时任务及常用的cron表达式
- Drupal 关于节点(nodes)的理解
- 最优化课堂笔记05——一维最优化方法(含重点:黄金分割法)
- 1-4-14:计算邮资
- SharePoint 网站搬迁
- Redis 3.2.4配置文件翻译
- 电脑连不上wifi的三种处理办法。
- 汉王速录笔linux驱动下载,汉王速录笔v600驱动 官方版
- 聊一聊固态硬盘的那些事
- 现代 C++ 编译时 结构体字段反射
- 账号、密码管理系统 python
- 计算机毕业设计-基于神经网络APP-整合Vue+SpringBoot+TensorFlow框架-诗联AI
- 有了AI智能绘画,我也可以成为绘画大师——全球最大规模中文跨模态生成模型ERNIE-ViLG
- 【随机过程】随机过程第一章 随机过程的基本概念
- 这些大厂笔试题 你都见识(被无情鞭挞)过了吗?—— 哔哩哔哩篇
- git同步代码到远程github仓库
热门文章
- 51单片机风扇转动c语言代码,基于51单片机的c语言程序 电机转速测量与PWM控制...
- 为虚拟机创建远程用户
- python定时关闭进程_Python定时结束任务脚本
- 周末老板请吃东西,刮到多少算多少?Python带你制作一款刮刮卡小程序。
- 京东科技业务调整:整合成4大中心 负责人均向李娅云汇报
- [XR]动捕 UnityXR + FinalIK(VRIK) + SteamVR
- 机器从零到 K8S 集群 Worker 节点的安装过程
- Window入侵排查思路
- js实现农历、新历同时显示
- 如何解决每次打开Excel2016文件都是灰色空白页,要把文件拖进去才能显示