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。