详解线性分类-逻辑回归(Logistic Regression)白板推导系列笔记
Posted
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了详解线性分类-逻辑回归(Logistic Regression)白板推导系列笔记相关的知识,希望对你有一定的参考价值。
$$
\\begingathered
\\left(x_i,y_i)\\righti=1^N,xi\\in \\mathbbR^p,y_i\\in \\left0,1\\right
\\endgathered
$$
逻辑回归作为线性分类中的软输出,相对于硬输出,输出结果为$y$为各值的概率,总体思路与硬输出是相同的,即
$$
\\beginaligned
线性回归 &\\rightarrow 线性分类\\
\\omega^Tx&\\overset激活函数\\rightarrow \\left\\beginaligned&y_i=\\left0,1\\right&硬分类\\&p(y_i)=p \\in (0,1)&软分类\\endaligned\\right.
\\endaligned
$$
相对于概率生成模型,逻辑回归的概率判别模型是对$p(y|x)$直接建模
逻辑回归的激活函数为Sigmoid Function
$$
\\sigma(z)=\\frac11+e^-z\\quad \\left\\beginaligned&z \\to +\\infty&\\lim\\limits_\\sigma(z)=1\\&z \\to 0& \\sigma(z)=\\frac12\\&z \\to -\\infty& \\lim\\limits_\\sigma(z)=0\\endaligned\\right.
$$
显然通过$\\sigma(z)$,将$\\mathbbR \\rightarrow (0,1),\\omega^Tx \\rightarrow P$
二项逻辑回归模型时如下的条件概率分布
$$
\\beginaligned
p_1&=p(y=1|x)=\\sigma(\\omega^Tx)=\\frac11+e^-\\omega^Tx\\
p_0&=p(y=0|x)=1-p(y=1|x)=\\frace^-\\omega^Tx1+e^-\\omega^Tx\\
p(y|x)&=p_1^yp_0^1-y
\\endaligned
$$
对其中的$\\omega$进行最大似然估计
$$
\\beginaligned
\\hat\\omega&=\\mathopargmax\\space\\limits_\\omega\\log p(Y|X)\\
&=\\mathopargmax\\space\\limits_\\omega\\log \\prod\\limits_i=1^Np(y_i|x_i)\\
&=\\mathopargmax\\space\\limits_\\omega\\sum\\limits_i=1^N\\log p(y_i|x_i)\\
&=\\mathopargmax\\space\\limits_\\omega\\sum\\limits_i=1^N(y_i\\log p_1+(1-y_i)\\log p_0)\\
&记p_1=\\psi(x,\\omega)\\
&=\\mathopargmax\\space\\limits_\\omega\\sum\\limits_i=1^N[y_i\\log \\psi(x_i,\\omega)+(1-y_i)\\log(1-\\psi(x_i,\\omega))]
\\endaligned
$$
以上是关于详解线性分类-逻辑回归(Logistic Regression)白板推导系列笔记的主要内容,如果未能解决你的问题,请参考以下文章
SAS学习1011(非线性回归NLIN过程逻辑回归logistic过程分类模型discrim过程stepdisc过程)