機器學習-邏輯回歸推導

邏輯回歸在機器學習中屬于比較常見的模型,它由感知機模型發(fā)展而來况毅。剛學習機器學習的時候尔许,看到感知機這個名字好奇怪,為什么就叫感知機呢午磁?不就用一個超平面來分割所有的樣本并且使得損失函數最小嘛,叫一個這么深奧的名字嚇唬人啊昧辽。后來學習神經網絡時候也看到了這個名字登颓,才發(fā)現這個名字來源于神經網絡。就是單層的神經網絡嘛咕痛。所以很多時候我們學習一個東西的時候可能暫時不明白喇嘱,我們可以先跳過去,不必在哪里死磕腔丧。

一作烟、感知機模型

先給出感知機模型的定義(公式不好編輯拿撩,就復制粘貼了):

image

機器學習三要素:模型、策略影暴、算法探赫,既然模型給出來了,我們用什么策略和什么算法來學習這個模型呢早歇。學習策略就是所有的誤樣本點到上面我們定義的超平面的距離最小讨勤。算法就用常規(guī)的梯度下降法潭千。李航的《統(tǒng)計學習方法》中有明確的推導和例子。這里不再贅述刨晴。本文重點記錄的邏輯回歸的推導路翻。

二茄靠、為什么要有邏輯回歸

對于線性可分的分類問題,有了感知機為什么還要邏輯回歸呢掉冶?比如我們給感知機模型輸入一個樣本脐雪,模型輸出為0.00001>0, 那么我們就把這個樣本劃分到正分類中战秋,我像這里很難有說服力吧,畢竟你就比0大那么一丟丟啊癣蟋。這是應為我們用到了sign函數吉嚣,這是一個跳躍函數蹬铺。在0附近是不連續(xù)的,在數學上連續(xù)可導可是一件很重要的事情秋泄。所以我們就像是不是有其他的函數來替代這個調試函數规阀。于是申請的sigmod函數就出現了。

sigmod函數表達式:

 ![image](http://upload-images.jianshu.io/upload_images/8596800-809302232a98649c?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240)

圖像如下:

image

函數性質:

1、連續(xù)可導

2厉碟、輸入區(qū)間在負無窮到正無窮箍鼓,值域在(0,1)之間

完全滿足我們概率上的要求,給sigmod函數輸入一個樣本何暮,如果輸出大于0.5,那么就可以判為正例跨新,如果輸出小于0.5就可以判為負列贰军。如果等于0.5就看心情了,隨便了俯树。

所以我們可以定義如下模型來解決二分類問題:

image
image

為了方便

image

可以變換為(第一個向量最后一個數為b,x向量最后一個數為1即可)

image

所以最后的模型可以簡寫為:

image

三陋率、邏輯回歸模型推導

對于給定的訓練數據集
image

瓦糟,其中

image

令:

image

下面用極大似然函數估計模型參數

image
image
image

上面的推導就是用梯度下降法來求似然函數的最大值,有的同學可能會問劲蜻,直接令偏導等于0不就可以求出極值點了嘛考余。在某些情況下確實是可以的,比如線性回歸在某些情況下是可以求出極值點的疫蔓。但是很多情況下是得不到極值點的具體表達式的身冬。所以就出現了像梯度下降法、牛頓法等估計參數的方法拗小。
邏輯回歸在機器學習中是比較簡單的模型樱哼,很多庫中都有現成的函數可以調用剿配,所以這里就重新實現了呼胚。重點在思想息裸、思想、思想

?著作權歸作者所有,轉載或內容合作請聯系作者
  • 序言:七十年代末年扩,一起剝皮案震驚了整個濱河市厨幻,隨后出現的幾起案子腿时,更是在濱河造成了極大的恐慌,老刑警劉巖格了,帶你破解...
    沈念sama閱讀 211,884評論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件徽鼎,死亡現場離奇詭異纬傲,居然都是意外死亡肤频,警方通過查閱死者的電腦和手機,發(fā)現死者居然都...
    沈念sama閱讀 90,347評論 3 385
  • 文/潘曉璐 我一進店門汁雷,熙熙樓的掌柜王于貴愁眉苦臉地迎上來侠讯,“玉大人暑刃,你說我怎么就攤上這事⊙页迹” “怎么了?”我有些...
    開封第一講書人閱讀 157,435評論 0 348
  • 文/不壞的土叔 我叫張陵辟躏,是天一觀的道長土全。 經常有香客問我,道長瑞凑,這世上最難降的妖魔是什么幻件? 我笑而不...
    開封第一講書人閱讀 56,509評論 1 284
  • 正文 為了忘掉前任绰沥,我火速辦了婚禮,結果婚禮上零截,老公的妹妹穿的比我還像新娘。我一直安慰自己秃臣,他們只是感情好涧衙,可當我...
    茶點故事閱讀 65,611評論 6 386
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著奥此,像睡著了一般弧哎。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上稚虎,一...
    開封第一講書人閱讀 49,837評論 1 290
  • 那天撤嫩,我揣著相機與錄音,去河邊找鬼蠢终。 笑死序攘,一個胖子當著我的面吹牛,可吹牛的內容都是我干的寻拂。 我是一名探鬼主播,決...
    沈念sama閱讀 38,987評論 3 408
  • 文/蒼蘭香墨 我猛地睜開眼祭钉,長吁一口氣:“原來是場噩夢啊……” “哼瞄沙!你這毒婦竟也來了?” 一聲冷哼從身側響起,我...
    開封第一講書人閱讀 37,730評論 0 267
  • 序言:老撾萬榮一對情侶失蹤距境,失蹤者是張志新(化名)和其女友劉穎泛粹,沒想到半個月后,有當地人在樹林里發(fā)現了一具尸體肮疗,經...
    沈念sama閱讀 44,194評論 1 303
  • 正文 獨居荒郊野嶺守林人離奇死亡晶姊,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內容為張勛視角 年9月15日...
    茶點故事閱讀 36,525評論 2 327
  • 正文 我和宋清朗相戀三年,在試婚紗的時候發(fā)現自己被綠了伪货。 大學時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片们衙。...
    茶點故事閱讀 38,664評論 1 340
  • 序言:一個原本活蹦亂跳的男人離奇死亡,死狀恐怖碱呼,靈堂內的尸體忽然破棺而出蒙挑,到底是詐尸還是另有隱情,我是刑警寧澤愚臀,帶...
    沈念sama閱讀 34,334評論 4 330
  • 正文 年R本政府宣布忆蚀,位于F島的核電站,受9級特大地震影響姑裂,放射性物質發(fā)生泄漏馋袜。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點故事閱讀 39,944評論 3 313
  • 文/蒙蒙 一舶斧、第九天 我趴在偏房一處隱蔽的房頂上張望欣鳖。 院中可真熱鬧,春花似錦茴厉、人聲如沸泽台。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,764評論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽怀酷。三九已至,卻和暖如春嗜闻,著一層夾襖步出監(jiān)牢的瞬間蜕依,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 31,997評論 1 266
  • 我被黑心中介騙來泰國打工泞辐, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留笔横,地道東北人竞滓。 一個月前我還...
    沈念sama閱讀 46,389評論 2 360
  • 正文 我出身青樓咐吼,卻偏偏與公主長得像,于是被迫代替她去往敵國和親商佑。 傳聞我的和親對象是個殘疾皇子锯茄,可洞房花燭夜當晚...
    茶點故事閱讀 43,554評論 2 349

推薦閱讀更多精彩內容

  • 文章主要分為:一、深度學習概念;二肌幽、國內外研究現狀晚碾;三、深度學習模型結構喂急;四格嘁、深度學習訓練算法;五廊移、深度學習的優(yōu)點...
    艾剪疏閱讀 21,807評論 0 58
  • 101.深度學習(CNN RNN Attention)解決大規(guī)模文本分類問題糕簿。 用深度學習(CNN RNN Att...
    大黃大黃大黃閱讀 13,771評論 2 42
  • 家長學習團隊 最好的祝福 說他們做過的有貢獻的事,祝福滋養(yǎng)家里的長輩 立得住的規(guī)則狡孔,家風懂诗,好處做事沒有情緒 溫柔而...
    梁興華閱讀 152評論 0 0
  • 做個迷人的混蛋,也做一個軟萌的仙女苗膝。 自由也隨性殃恒。 野的像風,也固執(zhí)的不肯落淚辱揭。
    顧墨林閱讀 243評論 0 0
  • (稻盛哲學學習會)打卡第33天 姓名:朱健 部門:財務部 組別:待定 【知~學習】 閱讀《活法》第四章 參與新事...
    酸菜魚18閱讀 261評論 0 0