【小白学AI】线性回归与逻辑回归(似然参数估计)

文章转自【机器学习炼丹术】

线性回归解决的是回归问题,逻辑回归相当于是线性回归的基础上,来解决分类问题。

1 公式

线性回归(Linear Regression)是什么相比不用多说了。格式是这个样子的:
\(f_{w,b}(x)=\sum_i{w_ix_i}+b\)

而逻辑回归(Logistic Regression)的样子呢?
\(f_{w,b}(x)=\sigma(\sum_i{w_ix_i}+b)\)

要记住的第一句话:逻辑回归可以理解为在线性回归后加了一个sigmoid函数。将线性回归变成一个0~1输出的分类问题。

2 sigmoid

sigmoid函数就是:
\(\sigma(z)=\frac{1}{1+e^{-z}}\)

函数图像是:

线性回归得到大于0的输出,逻辑回归就会得到0.5~1的输出;
线性回归得到小于0的输出,逻辑回归就会得到0~0.5的输出;


这篇文章的重点,在于线性回归的参数估计使用的最小二乘法,而而逻辑回归使用的是似然估计的方法。(当然,两者都可以使用梯度下降的方法)。


3 似然估计逻辑回归参数

举个例子,现在我们有了一个训练数据集,是一个二分类问题:

上面的\(x^1\)是样本,下面的\(C_1\)是类别,总共有两个类别。

现在假设我们有一个逻辑回归的模型:
\(f_{w,b}(x)=\sigma(\sum_i{w_ix_i}+b)\)
那么\(f_{w,b}(x^1)\)的结果,就是一个0~1的数,我们可以设定好,假设这个数字就是是类别\(C_1\)的概率,反之,1减去这个数字,就是类别\(C_2\)的概率。

似然简单的理解,就是让我们上面的数据集出现的概率最大

我们来理解一下:

  1. \(x_1\)\(C_1\)的概率是\(f_{w,b}(x^1)\);
  2. \(x_2\)\(C_1\)的概率是\(f_{w,b}(x^2)\);
  3. \(x_3\)\(C_2\)的概率是\(1-f_{w,b}(x^3)\);
  4. ……
  5. \(x_N\)\(C_1\)的概率是\(f_{w,b}(x^N)\);

样本之间彼此独立,那么上面那个数据集的概率是什么?是每一个样本的乘积,这个就是似然Likelihood:

我们希望这个w,b的参数估计值,就是能获得最大化似然的那个参数。也就是:

加上负号之后,就可以变成最小化的问题。当然,加上一个log并不会影响整个的w,b的估计值。因为\(L(w,b)\)最大的时候,\(log(L(w,b))\)也是最大的,log是个单调递增的函数。所以可以得到下面的:
【注意:所有的log其实是以e为底数的自然对数】

log又可以把之前的乘积和,转换成加法。
\(log(L(w,b))=log(f(x^1))+log(f(x^2))+log(1-f(x^3))...\)

然后,为了更加简化这个算是,我们将\(C_1, C_2\)数值化,变成1和0,然后每一个样本的真实标签用\(y\)来表示,所以就可以得到:
\(log(L(w,b))=\sum_i^N{ylog(f(x^i))+(1-y)log(1-f(x^i))}\)
【有点像是二值交叉熵,然而其实就是二值交叉熵。。】

  • 当y=1,也就是类别是\(C_1\)的时候,这个是\(log(f(x^i))\)
  • 当y=0,也就是类别是\(C_2\)的时候,这个是\(1-log(f(x^i))\)

所以其实我们得到的损失函数是:
\(loss=-log(L(w,b))=-\sum_i^N{ylog(f(x^i))+(1-y)log(1-f(x^i))}\)

之前说了,要找到让这个loss最小的时候的w和b,那怎么找?
【无情万能的梯度下降】

所以计算\(\frac{\partial loss}{\partial w}\),然后乘上学习率就好了。这里就不继续推导了,有耐心的可以慢慢推导,反正肯定能推出来的。
这里放个结果把:
\(\frac{-\partial lnL(w,b)}{\partial w_i}=\sum_n^N{-(y^n-f_{w,b}(x^n))x_i^n}\)

  • 其中\(w_i\)为第i个要估计的参数,第i个特征;
  • \(x^n_i\)是第n个样本的第i个特征的值;
  • \(y^n\)是第n个样本的真实类别,0或者1。
posted @ 2020-08-02 03:13  忽逢桃林  阅读(55)  评论(0编辑  收藏
Flag Counter