【算法2】Logistic回归

    关于Logistic回归，在《【R】基于Logistic回归的初始信用评级》做过粗略的介绍，看此文时可结合该文章，帮助理解。这里借鉴李航老师的《统计学习方法》 再补充一下。

1 logistic分布

    在统计学中，研究任何对象，都应该先摸透该对象的数据服从什么样的分布。在个人看来，数据的不同分布使得数据具有不同的性质，也就需要采用不同的技术进行研究。那么，logistic回归也不例外。
    设 L是连续随机变量，L服从逻辑斯谛分布是指L 具有下列分布函数和密函数：
$F(l)=P(L <=l)=\frac{1}{(1+e^{-(l-u)/r})}$
$f(l)=F^\prime(l)=P(L <=l)=\frac{e^{-(l-u)/r}}{r(1+e^{-(l-u)/r})^2}$
公式中， $u$为位置参数， $r > 0$为形状参数。
     $logistic$分布的密度函数 $f(l)$ 和 分布 函数 $F(l)$的 图形下图。分布函数是一个 $logistic$函数，图形是 一条S形曲 $( sigmoid curve)$,点 $(u,\frac{1}{2})$为中心对称。

    曲线值阈为 $(0，1)$，在点 $(u,\frac{1}{2})$附近变化快，离中心点越远，变化趋于平缓。

2 binomial logistic 回归

     $binomial logistic$ 回归模型是一类二分类模型，由条件概率分布 $P(Y|L)$表示，形式为参数化的逻辑斯谛分布。这里，随机变量 $L$取值为实数，随机 变量 $Y$取值为 1 或 0。通过监督学习的方法来估计模型参数。二项逻辑斯回归模型 是如下的件率布：
$$
$P(Y=1|l)=\frac{exp^{(wl+b)}}{1+exp^{(wl+b)}}$
$P(Y=0|l)=\frac{1}{1+exp^{(wl+b)}}$
这里, $l ∊ R^n$ 是 输入， $Y ∊{ [0, 1]}$ 是 输出， $w ∊ R^n$ 和 $b ∊ R$是 参数， $w$ 称为 权值 向量， $b$ 称为 偏 置， $w· l$ 为 $w$ 和 $l$ 的内积。
    探索 $logistic$回归模型的特点。一个事件的几率 $（ odds）$ 是指该事件发生的概率与该事件不发生的概率的比值。如果事件发生的概率是 p 那么该事件的几率是,该事件的对数几率 $（ log odds）$ 或 $logit$ 函数是
$logit(p)=log\frac{p}{1-p}$
对 $logistic$而言，由二项逻辑斯回归模型 得
$logit(p)=log\frac{p(Y=1|l)}{1-p(Y=1|l)}=wl.$
也可以这样来解读，在 $binomial logistic$ 回归模型中输出 $Y=1$的对数几率是输入 $l$的线性函数。将 $wl$ 转化为概率则有：
$P(Y=1|l)=\frac{exp^{(wl)}}{1-exp^{(wl)}}.$
这就是 $binomial logistic$ 回归模型。

3 参数的估计

     $logistic$回归模型学习时，存在的训练数据集 $D ＝{( l1， y1),( l2， y2),…,( l_N, y_N)}$， 其中， $l_i ∊ R^n$， $y_i ∊[ 0, 1]$，可以应用极大似 然估计法估计模型参数 $w$，从而得到 $logistic$回归模型。设：
$P(Y=1|l)=\varPsi(l) ,P(Y=0|l)=1-\varPsi(l)$
得似然函数：
$\prod_{i=1}^N [\varPsi(l_i)]^{y_i}[1-\varPsi(l_i)]^{1-y_i}$

得对数似然函数：
$LG(w)=\sum_{k=1}^N [y_ilog\varPsi(l_i)+(1-y_i)log(1-\varPsi(l_i))]$
$=\sum_{k=1}^N [y_ilog\frac{\varPsi(l_i)}{1-\varPsi(l_i)}+log(1-\varPsi(l_i))]$
$=\sum_{k=1}^N [y_i(w*l_i)-log(1+(w*l_i))]$
求解 $LG(w)$的极大值，得到 $w$的估计值 $\widehat{w}$。这样合理的将问题转化为了以对数似然函数作为目标函数最优问题。 $logistic$回归学习 中通常采用的方法是 梯度下降法、拟牛顿法。

4 multiterm logistic回归

    对于多项逻辑回归（ $multiterm logistic$）,说的是当Y的输出不在只是二分类 $[0,1]$,而是形如 $[a,b,c,......,f,g,......]$的多分类离散型。现在在这里不过多阐述，后期有时间会补上。