机器学习_7_分类算法—逻辑回归

逻辑回归：

• 线性回归的式子作为输入
• 判断某一类别的概率（根据数据大小作出判断）
• 应用场景：二分类问题（哪一个类别少，判定的概率值是指的这个类别。）
• 返回的是概率值

1 Logistic回归（二分类问题）

输出：[0,1]区间的概率值，默认0.5作为阀值

1.1 sigmoid函数

注：g(z)为sigmoid函数

1.2 Logistic回归及似然函数（求解）

1.3 θ参数求解

Logistic回归θ参数的求解过程为（类似梯度下降方法）：

1.4 Logistic回归损失函数

与线性回归原理相同,但由于是分类问题，损失函数不一样，只能通过梯度下降求解

两种表示方式：

方法一：

方法二：（推荐）

1.5 LogisticRegression总结

• 应用：广告点击率预测、电商购物搭配推荐
• 优点：适合需要得到一个分类概率的场景
• 缺点：当特征空间很大时，逻辑回归的性能不是很好（看硬件能力）

2 Softmax回归（多分类问题）

• softmax回归是logistic回归的一般化，适用于K分类的问题，第k类的参数为向量θ_k，组成的二维矩阵为θ_k*n
• softmax函数的本质就是将一个K维的任意实数向量压缩（映射）成另一个K维的实数向量，其中向量中的每个元素取值都介于（0，1）之间。
• softmax回归概率函数为：
  

2.1 Softmax算法原理

2.2 Softmax算法损失函数

2.3 Softmax算法梯度下降法求解

3 总结

• 线性模型一般用于回归问题，Logistic和Softmax模型一般用于分类问题
• 求θ的主要方式是梯度下降算法，梯度下降算法是参数优化的重要手段，主要是SGD，适用于在线学习以及跳出局部极小值
• Logistic/Softmax回归是实践中解决分类问题的最重要的方法
• 广义线性模型对样本要求不必要服从正态分布、只需要服从指数分布簇（二项分布、泊松分布、伯努利分布、指数分布等）即可；广义线性模型的自变量可以是连续的也可以是离散的。