逻辑回归(Logistic)模型

1 概述

Logistic回归(逻辑回归)是基础的分类模型,将输出限定在0-1之间,表示分类的概率。在分类时,可设定阈值为0.5,概率超过0.5表示正例,小于0.5表示负例。应用场景包括医学检测(是否患病,肿瘤良性恶性)、金融(信用卡违约)、市场营销(客户是否流失)等。

2 Logistic分布

Logistic分布是一种连续型概率分布,假设随机变量X服从Logistic分布,则X的分布函数为

概率密度为

,时,称函数为标准Logistic函数,也称为Sigmoid函数。

3 Logistic回归模型

Logistic回归虽然名字叫"回归",但实际是分类算法,将线性回归(z=b0+b1x1+b2x2+...)的输出值转换为0到1之间的概率值,而转换的方法就是上文提到的Sigmoid函数,即y=Sigmoid(z)。

因此Logistic回归表示为

3.1 Odds几率

注意到y是概率,记为p,那么称odds几率为事件发生与不发生概率的比值,即

3.2 Logit对数几率

称logit为对数几率,表示为log(odds),即线性回归的部分。

因此Logistic回归模型也称为对数几率模型,也就是满足对数几率是线性回归的模型。

化简后,即可得到Logistic回归模型。

4 极大似然函数与损失函数

可以由似然函数推导损失函数,对数似然函数等于负的损失函数。

对于给定的训练集(x1,y1),(x2,y2),(x3,y3)...,其中y是0或1,

记π(x)=P(Y=1|X),则1-π(x)=P(Y=0|X),其中π(x)是要学习的目标参数

似然函数为:

似然函数是指给定参数情况下,出现这个样本的概率。可以发现当y=1时,上式为π(x);当y=0时,上式为1-π(x),符合似然函数的概念。

对数似然函数为

损失函数即为上式的相反数,通过梯度下降等方法求得参数。

在计算梯度时,y对x的梯度很容易求得,这是因为Sigmoid函数的特性是导数等于y(1-y)。

此外Sigmoid函数也常用于早期的神经网络的激活函数,在计算梯度时也可利用此性质。

5 优缺点

优点是模型简单、计算效率高、可解释性强。

缺点是线性假设过强,可能导致欠拟合。

6 参考资料

https://zhuanlan.zhihu.com/p/586453822

相关推荐
go546315846515 分钟前
基于深度学习的食管癌右喉返神经旁淋巴结预测系统研究
图像处理·人工智能·深度学习·神经网络·算法
Blossom.11817 分钟前
基于深度学习的图像分类:使用Capsule Networks实现高效分类
人工智能·python·深度学习·神经网络·机器学习·分类·数据挖掘
aramae26 分钟前
大话数据结构之<队列>
c语言·开发语言·数据结构·算法
大锦终37 分钟前
【算法】前缀和经典例题
算法·leetcode
想变成树袋熊1 小时前
【自用】NLP算法面经(6)
人工智能·算法·自然语言处理
cccc来财1 小时前
Java实现大根堆与小根堆详解
数据结构·算法·leetcode
Coovally AI模型快速验证2 小时前
数据集分享 | 智慧农业实战数据集精选
人工智能·算法·目标检测·机器学习·计算机视觉·目标跟踪·无人机
墨尘游子2 小时前
目标导向的强化学习:问题定义与 HER 算法详解—强化学习(19)
人工智能·python·算法
恣艺3 小时前
LeetCode 854:相似度为 K 的字符串
android·算法·leetcode
予早3 小时前
《代码随想录》刷题记录
算法