逻辑回归实战

逻辑回归案例

小细节

• 逻辑回归（logistic regression）虽然被称之为逻辑回归，但是它本质上其实是一种分类算法（classification algorithm），逻辑回归名字的由来是有历史原因的。
• sigmoid函数在逻辑回归中站着重要的位置，sigmoid function也被称为logistic function，称之为逻辑函数就做到了见名知意了，说明\({{1}\over{1 + e^{-x}}}\)与逻辑回归密切相关。
• 在线性回归中得知，假设函数\(h(x) = \theta_0 + \theta_1x\)，逻辑回归处理的是分类的问题，那么我们的算法要么输出的是概率（返回在0到1之间），要么是输出的就是0或者1等等，在线性回归中建立的假设函数\(h(x) = \theta_0 + \theta_1x\)显然不会在0到1之间或者输出的值为0或者1，这个时候就需要sigmoid函数了；sigmoid函数可以将实数范围内的值转换为0-1之间的值，而这个值恰巧就是概率所在的范围，进一步的，得到了概率的值，只要我们设定了阈值（threshold）就可以将其转换为0或者1等等。
• 逻辑回归是在线性回归的基础上发展而来的，它是依赖于线性回归的，为什么？因为在逻辑回归中，定义的假设函数时\(h_{\theta}(x) = g(\theta^{T}x)\)，其中\(\theta^{T}x\)就是在线性回归中假设函数的矩阵形式，在逻辑回归中通过g函数将其封装到sigmoid函数中，\(g(x) = {{1} \over {1 + e^{-x}}}\)，只有这样，才能将\(\theta^{T}x\)这个输出在R上的值映射到0-1之间，所有逻辑回归中的假设函数为\(h_{\theta}(x) = g(\theta^{T}x) = {{1} \over {1 + e^{-\theta^{T}x}}}\)。
• 逻辑回归假设函数的概率表现形式: \(h(x) = g(\theta^{T}x) = P(y = 1|x; \theta)\)，在提醒一下，这里的\(\theta\)是一个列向量，在MATLAB/Octave中出现公式的地方，十有八九都是使用矩阵方程表达的，输入和输出也大部分是列向量或者矩阵。
• 关于阈值（threshold），在上面几点中已经提到的，这里提一下如何将一个0-1的概率值转换为一个0或者1等等的分类结果，首先根据通过sigmoid函数，我们的线性回归的结果会被锁定到0-1之间，这个时候如果假设函数\(h_{\theta}(x) = g(\theta^{T}x) = {{1} \over {1 + e^{-\theta^{T}x}}}\)的结果为0.7，表示 \(y = 1\)的概率为0.7，对立的，\(y = 0\)的概率为0.3，如果规定threshold为0.5，则表示如果假设函数\(h()\)的输出大于等于0.5则\(y = 1\)，如果小于0.5则\(y = 0\)，换一个角度来说，sigmoid中封装的线性回归函数在大于等于0的时候，\(y = 1\)，在小于0的时候，\(y = 0\)。

sigmoid function(logistic function)

• 定义

  • \({{1} \over {1 + e^{-x}}}\)

• 图像
  

根据学生的两次考试成绩来判断是否能够被大学录取

案例概要

• 第一列为第一次考试成绩列向量
• 第二列为第二次考试成绩列向量
• 第三列为是否被录取（0 or 1）

案例分析

• 定义假设函数\(h(x) = g(\theta^{T}x) = {{1} \over {1 + e^{-\theta^{T}x}}}\)。

• 数据变量

  • m: the number of training examples，样本的数量。
  • n: the number of features，特征的数量，这里不包括第0个特征，所以为2。
  • x的上标：样本的行数。
  • x的下标：表示第几个特征。

• 输入X，注意：这里的X已经添加上了默认的第0个特征，这个列向量中的值都为1

  \[\begin{bmatrix} 1 & x^{1}_{1} & x^{1}_{2} \\ 1 & x^{2}_{1} & x^{2}_{2} \\ \vdots & \vdots & \vdots \\ 1 & x^{m}_{1} & x^{m}_{2} \end{bmatrix} \]

• 目标函数（\(J(\theta)\)）

  • 与线性回归中一样$$J(\theta) = {{1} \over {2m}}\sum_{i=1}^{{m}(h_{\theta}(x}) - y^{(i)}) = {{1} \over {2m}}\sum_{i=1}^{m}({{1} \over {1 + e^{-\theta{x{(i)}}}}} - y^{(i)})$$这里的\(\theta\)为列向量。
  • 思考，如何计算\(minimize_{\theta}J(\theta)\)
    • 在线性回归中我们使用梯度下降的方法可以很好的收敛，因为线性回归中的最小化方程是一个凸函数，没有局部最优点，只有一个全局最优点，但是在逻辑回归中，因为我们将线性回归函数封装到了sigmoid函数中，导致目标函数\(J(\theta)\)与\(\theta\)构成的函数图像是弯弯曲曲的，有多个局部最优点，导致了无法使用梯度下降的方法求出最优解。
    • 此时应该对目标函数进行等价替换（注意：等价替换值得是效果一样，但是数值可能不同）

      • 首先$$J(\theta) = {{1} \over {2m}}\sum_{i=1}^{{m}(h_{\theta}(x}) - y^{(i)}) = {{1} \over {m}}\sum_{i=1}^{{m}(h_{\theta}(x}) - y^{(i)})$$

      • 接着定义Cost函数$$Cost(h_{\theta}({x^{(i)}}), y^{(i)}) = (h_{\theta}(x^{(i)}) - y^{(i)})$$，为什么？因为我们接下来要将$$(h_{\theta}(x^{(i)}) - y^{(i)})$$等价替换成一个分段函数，在机器学习的数学公式表示中，如果遇到一个分段函数，则在原来函数中使用一个新的逻辑函数（为什么说是抽象函数？因为在这里这个新的函数还没有函数的实体）将其替换掉，再对这个新的变量进行定义。

      • 其次将Cost函数等价替换为

        \[Cost(h_{\theta}({x^{(i)}}), y^{(i)}) = \begin{cases} -log(h_{\theta}({x^{(i)}})) & if & y = 1 \\ -log(1 - h_{\theta}({x^{(i)}})) & if & y = 0 \end{cases} \]

        上面的等价替换就是将返回概率值的假设函数\(h_{\theta}(x^{(i)})\)转为取log之后的结果。

      • 现在目标函数\(J(\theta)\)为

        \[J(\theta) = {{1}\over{m}}\sum_{i=1}^{m}Cost(h_{\theta}({x^{(i)}}), y^{(i)}) \\ Cost(h_{\theta}({x^{(i)}}), y^{(i)}) = \begin{cases} -log(h_{\theta}({x^{(i)}})) & if & y = 1 \\ -log(1 - h_{\theta}({x^{(i)}})) & if & y = 0 \end{cases} \]

      • 通过数学方法可以将上面的两个式子合并为一个

        \[J(\theta) = -{{1}\over{m}}[\sum_{i=0}^{m}y^{(i)}log(h_{\theta}({x^{(i)}})) + (1 - y^{(i)})log(1 - h_{\theta}({x^{(i)}}))] \]

  • 梯度下降

    • 梯度（也就是偏导）

      • \(grad = {{\partial}\over{\partial{\theta}}}J(\theta)\)

    • 梯度下降

      • \(\theta_{j} := \theta_{j}- \alpha{{\partial}\over{\theta_{j}}}J(\theta)\)，对所有的特征都进行梯度下降
      • 展开来就是和线性回归一样的式子$$\theta_{j} := \theta_{j}- \alpha{\sum_{i=1}^{{m}(h_{\theta}}(x}) - y^{(i)})x_{j}$$

    • 不断地更新参数即可

  • 完成了拟合，投入到预测的时候是使用等价替换之前的假设函数，值得一提的是，前面的等价替换是对目标函数J的操作，和假设函数无关，在机器学习中，大部分的分析的时间除了在构建假设函数之外，就是合理的处理目标函数

如果y的值为0, 1, 2, 3，如果使用拟合出来的函数进行预测

• 思路和对一个函数求偏导是一样，当我们讨论y=0的情况时，就将其他的1，2，3情况都归为一类，一次类推，我们可以得出y=0，1，2，3的概率，只要\(max(h(x^{(i)}))\)即可，这种情况时需要定义三个h(x)的，在预测的时候进行比较，这种方法叫做one-vs-all。

根据学生的两次考试成绩来判断是否能够被大学录取-正则化(regularize),也可以是惩罚

• regularize与normalize区别

  • normalize是将特征的值样本值锁定在0-1之间
  • regularize的目的是将我们最终得到的假设函数的高阶自变量的参数尽可以的小，这样就可以减弱高阶对预测的影响，防止过拟合，反之高阶越多，权重越大，则过拟合的可能性越大。要想实现正则化，我们不需要修改假设函数，而是修改目标函数J
    \[J(\theta) = {{1}\over{2m}}[\sum_{i=1}^{m}(h_{\theta}(x^{(i)}) - y^{(i)})^2 + {\lambda}\sum_{i=0}^{n}{\theta}^2] \]

  上面的式子是虽有的\(\theta\)都进行正则化(惩罚)

• 正则化(惩罚)参数与\(\theta\)的关系

  • 大致上成反比的关系，如果\(\lambda\)很大，则\(\theta\)就会很小，可以可能会导致拟合出来的目标函数是一条水平直线，反之亦然。
  • 永远不会惩罚\(\theta_0\)

• 梯度

  • 变为

    • 1. for j = 1 $${{{1}\over{m}}\sum_{i=1}^{{m}}(h_{\theta}(x}) - y^{(i)})x_{j}$$
    • 2. for j >= 1$$({{{1}\over{m}}\sum_{i=1}^{{m}}(h_{\theta}(x}) - y^{(i)})x_{j}) + {{\lambda}\over{m}}\theta_{j}$$

  • 梯度下降公式为

    • \[\theta := \theta - \alpha{{{\partial}\over{\partial}\theta}}J(\theta) \]

    • 其中的$${{{\partial}\over{\partial}\theta}}J(\theta)$$用上面的两个式子替换即可。

其他

• 在机器学习中，对于分类问题，我们已经拟合出了假设函数，在画决策边界的时候，不是根据假设函数绘画的，而是根据sigmoid函数中封装的线性回归函数绘制的，只要把它画出来即可，如果边界是直线，则确定两个点即可，如果是闭合曲线，则使用等高线。

• 要想画出复杂的曲线，那个这个函数一定是高阶的。