机器学习-逻辑回归原理及其公式

逻辑回归(Logistic Regression)是一种广泛应用于分类任务的统计学方法,尤其是在二分类问题中表现尤为突出。尽管它的名字中包含"回归",但实际上逻辑回归是一种分类算法。逻辑回归的目标是预测一个样本属于某一类别的概率,而不是预测一个连续值。

逻辑回归原理

逻辑回归的核心在于使用 Sigmoid 函数(也称为 Logistic 函数)来将线性回归的输出映射到 [0, 1] 之间的概率值。这个函数具有 S 形状,可以将任何实数映射到 [0, 1] 之间,非常适合用来表示概率。

Sigmoid 函数

Sigmoid 函数的数学表达式为:

其中 zz 是输入值,σ(z)σ(z) 是经过 Sigmoid 函数后的输出值。这个函数的特点是随着 zz 的增加,σ(z)σ(z) 逐渐接近 1;随着 zz 的减小,σ(z)σ(z) 逐渐接近 0。

模型表达式

逻辑回归模型的表达式可以表示为:

其中:

  • ww 是权重向量,每个特征对应一个权重;
  • xx 是输入特征向量;
  • bb 是偏置项;
  • P(y=1∣x)P(y=1∣x) 表示给定输入 xx 时,目标变量 yy 为 1 的概率。

损失函数

逻辑回归通常使用交叉熵损失函数(Cross-Entropy Loss)来衡量模型的预测结果与真实标签之间的差距。对于二分类问题,损失函数可以定义为:

其中:

梯度下降法

为了最小化损失函数,逻辑回归通常采用梯度下降法来更新权重向量 𝑤和偏置项 𝑏。梯度下降法的基本步骤如下:

  • 初始化权重向量 𝑤和偏置项 𝑏;
  • 计算损失函数关于 𝑤和 𝑏的梯度;
  • 更新 𝑤和 𝑏:

其中 α 是学习率,决定了每次更新的步长。

示例计算梯度

对于权重向量 𝑤,损失函数的梯度为:

对于偏置项 𝑏,损失函数的梯度为:

通过不断迭代更新 w 和 b,直到损失函数收敛或者达到预定的最大迭代次数。

总结

逻辑回归是一种基于 Sigmoid 函数的概率模型,用于解决分类问题。它通过最小化交叉熵损失函数来学习最优的权重向量和偏置项。通过梯度下降法不断更新模型参数,使得模型能够更好地拟合训练数据,并用于预测新数据的类别。

相关推荐
秃头佛爷10 分钟前
Python学习大纲总结及注意事项
开发语言·python·学习
深度学习lover1 小时前
<项目代码>YOLOv8 苹果腐烂识别<目标检测>
人工智能·python·yolo·目标检测·计算机视觉·苹果腐烂识别
API快乐传递者2 小时前
淘宝反爬虫机制的主要手段有哪些?
爬虫·python
阡之尘埃4 小时前
Python数据分析案例61——信贷风控评分卡模型(A卡)(scorecardpy 全面解析)
人工智能·python·机器学习·数据分析·智能风控·信贷风控
丕羽7 小时前
【Pytorch】基本语法
人工智能·pytorch·python
bryant_meng8 小时前
【python】Distribution
开发语言·python·分布函数·常用分布
Java Fans8 小时前
深入了解逻辑回归:机器学习中的经典算法
机器学习
m0_594526309 小时前
Python批量合并多个PDF
java·python·pdf
工业互联网专业9 小时前
Python毕业设计选题:基于Hadoop的租房数据分析系统的设计与实现
vue.js·hadoop·python·flask·毕业设计·源码·课程设计
钱钱钱端9 小时前
【压力测试】如何确定系统最大并发用户数?
自动化测试·软件测试·python·职场和发展·压力测试·postman