Logistic回归（逻辑回归）和softmax回归

 一、Logistic回归

Logistic回归（Logistic Regression，简称LR）是一种常用的处理二类分类问题的模型。

在二类分类问题中，把因变量y可能属于的两个类分别称为负类和正类，则因变量y∈{0, 1}，其中0表示负类，1表示正类。线性回归的输出值在负无穷到正无穷的范围上，不太好解决这个问题。于是我们引入非线性变换，把线性回归的输出值压缩到（0, 1）之间，那就成了Logistic回归，使得≥0.5时，预测y=1，而当<0.5时，预测y=0。Logistic回归的名字中尽管带有回归二字，可是它是实打实的分类算法。

线性回归和Logistic回归的形状如下图所示：

那用什么非线性变换把线性回归转化成Logistic回归呢？

1、Logistic回归的函数形式：

Logistic回归模型的函数形式为：，其中x代表样本的特征向量，g(z)代表sigmoid函数，公式为。下图为sigmoid函数的图形。

所以Logistic回归模型就是：

的作用是，对于给定的输入变量，根据选择的参数确定输出变量y=1的概率，即后验概率，的取值范围是(0, 1)。

那么怎么根据的输出值来预测样本的类别呢？按照下面的规则：

2、Logistic回归的损失函数

Logistic回归中的参数是θ，怎么估计这个参数呢？那么就要定义损失函数，通过最小化损失函数来求解参数。

线性回归中的损失函数是平方误差损失函数，如果Logistic回归也采用这种损失函数形式，那么得到的损失函数将是一个非凸函数。这意味着损失函数会有很多局部极小值，因此不容易找到全局最小值。比如左边这个就是非凸函数的形状，明显右边这个平滑的图不容易陷入局部极小值陷阱。

假设训练数据集为{(x¹,y¹),(x²,y²),...(x^m, y^m)}，即有m个样本，令x=[x₀, x₁, ..., x_n]^T，x₀=1，即每个样本有n个特征，y∈{0, 1}。于是把Logistic回归的损失函数定义为对数损失函数：

这个对数损失函数的特点是：当类别y=1时，损失随着的减小而增大，为1时，损失为0；当类别y=0时，损失随着的增大而增大，为0时，损失为0。与损失的关系如下图：

可以把损失整理为以下的形式：

于是损失函数就成了：

这个损失函数叫做对数似然损失函数，也有个很好听的名字：交叉熵损失函数（cross entropy loss）。这个损失函数是个凸函数，因此可以用梯度下降法求得使损失函数最小的参数。

3、Logistic回归的梯度下降法

得到了交叉熵损失函数后，可以用梯度下降法来求得使代价函数最小的参数，也就是按下面这个公式更新每个参数θ_j：

这个公式怎么推导的呢？如下是详细的推导过程。

已知：

首先：

把上式代入损失函数中，并对θ_j求偏导：

这个推导比较长，但是推导的结果非常简洁漂亮。

将这个偏导数乘以学习了，得到了用梯度来更新参数的公式，再用下面这个公式来同时更新所有的参数值，使损失函数最小化，直到模型收敛。

4、Logistic回归防止过拟合

在损失函数中加入参数θ_j的L₂范数，限制θ_j的大小，以解决过拟合问题，那么加入正则化项的损失函数为：

相应的，此时的梯度下降算法为：

重复以下步骤直至收敛：

 

二、softmax回归

Logistic回归是用来解决二类分类问题的，如果要解决的问题是多分类问题呢？那就要用到softmax回归了，它是Logistic回归在多分类问题上的推广。此处神经网络模型开始乱入，softmax回归一般用于神经网络的输出层，此时输出层叫做softmax层。

1、softmax函数

首先介绍一下softmax函数，这个函数可以将一个向量(x₁,x₂,...,x_K)映射为一个概率分布(z₁,z₂,...,z_K)：

那么在多分类问题中，假设类别标签y∈{1, 2, ..., C}有C个取值，那么给定一个样本x，softmax回归预测x属于类别c的后验概率为：

其中w_c是第c类的权重向量。

那么样本x属于C个类别中每一个类别的概率用向量形式就可以写为：

其中W=[w₁,w₂,...,w_C]是由C个类的权重向量组成的矩阵，1表示元素全为1的向量，得到是由所有类别的后验概率组成的向量，第c个元素就是预测为第c类的概率，比如[0.05, 0.01, 0.9, 0.02, 0.02]，预测为第3类。

2、softmax回归的损失函数和梯度下降

假设训练数据集为{(x¹,y¹),(x²,y²),...(x^M, y^M)}，即有M个样本，softmax回归使用交叉熵损失函数来学习最优的参数矩阵W，对样本进行分类。

由于涉及到多分类，所以损失函数的表示方法稍微复杂一些。我们用C维的one-hot向量y来表示类别标签。对于类别c，其向量表示为：

其中表示指示函数。

则softmax回归的交叉熵损失函数为：

其中表示样本预测为每个类别的后验概率组成的向量。

上面这个式子不太好理解，我们单独拿出一个样本来观察。假设类别有三类，预测一个样本x属于第2类的交叉熵损失为，其中，如果预测正确，如，则交叉熵损失为，而如果预测错误，如，则交叉熵损失为，可见预测错误时损失非常大。

同样的，用梯度下降法对损失函数进行优化求解，首先得到损失对参数向量W的梯度：

初始化W₀=0，然后对所有参数W_C进行迭代更新，直至收敛。

 

三、总结

Logistic回归这个可爱的模型，相比SVM、GBDT等模型，要简单得多，但是由于这个模型可解释性强，被广泛运用于各种业务场景中。此外，它也是如今大行其道的深度学习算法的基础之一。

逻辑回归的优点有以下几点：

1、模型的可解释性比较好，从特征的权重可以看到每个特征对结果的影响程度。

2、输出结果是样本属于类别的概率，方便根据需要调整阈值。

3、训练速度快，资源占用少。

而缺点是：

1、准确率并不是很高。因为形式非常简单(非常类似线性模型)，很难去拟合数据的真实分布。

2、处理非线性数据较麻烦。逻辑回归在不引入其他方法的情况下，只能处理线性可分的数据。

3、很难处理数据不平衡的问题。

吴恩达老师说，学完了Logistic回归，就有了丰富的机器学习知识，目测比那些硅谷工程师还厉害。所以有公司要我吗？坐等。 

 

 

 

参考资料：

1、吴恩达：《机器学习》

2、邱锡鹏：《神经网络与深度学习》

3、 https://blog.csdn.net/u010867294/article/details/79138603