版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/qq_17677907/article/details/88083402
1. 逻辑斯蒂分布
首先介绍逻辑斯蒂分布(logistic distribution)。
设X是连续随机变量,X服从逻辑斯蒂分布是指X具有下列分布函数和密度函数:
F(x)=P(X⩽x)=1+e−(x−μ)/γ1
f(x)=F‘(x)=γ(1+e−(x−μ)/γ)2e−(x−μ)/γ
其中,
μ为位置函数,
γ为形状参数
图形如下所示。分布函数属于逻辑斯蒂函数。以点(
μ,21)为中心对称。
2.二项逻辑斯蒂回归模型
二项逻辑斯蒂回归模型是一类分类模型。由条件概率分布P(Y|X)表示。这里,随机变量X取值为实数,Y取值为0或1。通过监督学习的方式来估计模型参数
逻辑斯蒂回归模型
二项逻辑斯蒂回归模型是如下的概率分布:
P(Y=1∣x)=1+exp(w⋅x+b)exp(w⋅x+b)
P(Y=0∣x)=1+exp(w⋅x+b)1
这里
xϵRn是输入,
Yϵ[0,1]是输出。
ωϵRn和
bϵR是参数。
ω是权重,b是偏置
逻辑斯蒂回归模型是比较
P(Y=1∣x)和
P(Y=0∣x)的大小,将实例x分到概率值较大的那一个
所以我们需要做的是给定训练集{x,y},去学习到其中的
ω和b参数
有时为了方便,将权值向量
ω和输入向量x进行扩充,把偏置量b表示成统一的形式。
即
ω=(ω(1),ω(2),...,ω(n),b)T,
x=(x(1),x(2),...x(n),1)T,这时逻辑斯蒂回归模型如下:
P(Y=1∣x)=1+exp(w⋅x)exp(w⋅x)
P(Y=0∣x)=1+exp(w⋅x)1
对数几率函数
现在说明逻辑斯蒂回归模型的特点:一个事件的几率(odds)是指该事件发生的概率p与该事件不发生的概率(1-p)的比值。表示成
logit(p)=log1−pp
代入逻辑斯蒂回归得到:
log1−P(Y=1∣x)P(Y=1∣x)=ω⋅x
这说明在逻辑斯蒂回归模型,输出Y的对数几率是输入x的线性模型(或者x的线性函数表示的函数)。其中线性函数的值越接近正无穷,概率越接近1。线性函数的值越接近负无穷,概率越接近0。
模型参数估计
逻辑斯蒂回归模型在学习的时候,给定训练集
T={(x1,y1),(x2,y2),...,(xN,yN)},xϵRN,yϵ{0,1}。可以应用极大似然估计法来估计模型参数
ω,得到逻辑斯蒂回归模型。
设
P(Y=1∣x)=π(x),P(Y=0∣x)=1−π(x)
似然函数为
∏i=1N[π(xi)]yi[1−π(xi)]1−yi
对数似然函数为
L(w)=∑i=1Nyilog(π(xi))+(1−yi)log(1−π(xi))=∑i=1Nyilog(π(xi))−yilog(1−π(xi))+log(1−π(xi))=∑i=1Nyilog1−π(xi)π(xi)+log(1−π(xi))=∑i=1Nyi(ω⋅xi)−log(1+exp(ω⋅x))
对
L(w)进行求极大值,就得到了
ω的估计值
这样问题就转变为了对以对数似然函数为目标函数的最优化问题。逻辑斯蒂回归通常采用梯度下降法和拟牛顿法。
补充
这里对上面的
log(1−π(xi))进行补充说明
由
log1−P(Y=1∣x)P(Y=1∣x)=ω⋅x
可知
log1−π(xi)π(xi)=ω⋅x⇒1−π(xi)π(xi)=exp(ω⋅x)⇒1−π(xi)1=exp(ω⋅x)+1⇒1−π(xi)=exp(ω⋅x)+11⇒log(1−π(xi))=−log(1+exp(ω⋅x))