美文网首页
2 逻辑回归

2 逻辑回归

作者: 陈伯龙 | 来源:发表于2018-05-13 21:19 被阅读0次

    逻辑回归是线性回归的变形,看了很多机器学习书籍,吴恩达的课程对线性回归和逻辑回归的讲解非常清晰,原理性和推导都很好理解。

    我一直认为好老师标准不在于拥有多深奥的知识,而在于能否良好的传授,不仅仅是知识,而是学习的思路。独孤九剑还需要好老师传授才能发扬广大~。

    网易:http://study.163.com/course/courseMain.htm?courseId=1004570029

    coursera原版:https://www.coursera.org/learn/machine-learning

    笔记包括:

    课程理论学习

    算法实现:Octave

    算法应用:Spark监控事件根源分析。我从事的IT运营支撑领域,每天产生大量的监测异常事件,很多事件是关联引发,而不是根源问题,从成千上百个事件中定位,找到根源一直是十分令人头疼的事情。尝试通过逻辑回归,结合人工打标注的方式,根据历史数据,对新产生的事件进行预测,是根源的可能性,帮助快速的定位。例如:网络故障/不稳定,引发一些列的应用访问异常、业务(订单/产品)异常等事件,随着IT系统规模的增大/快速变化,建立专家库去梳理规则不适合,通过逻辑回归算法做分类是一种尝试。 

    涉及到推导部分的数学基础,主要是微积分和矩阵计算,可以看看以下课程前几章:

    麻省理工的微积分,会求导就行: http://study.163.com/course/courseMain.htm?courseId=1003649073

    麻省理工的线性代数,会矩阵计算,求逆转置: http://study.163.com/course/courseMain.htm?courseId=1003649037

    1. 理论学习

    1.1 概览

    线性回归是通过连续数据预测连续结果,而逻辑回归是通过连续数据,预测离散结果。说白话就是一堆数据,得出分类结果(如yes/no)。逻辑回归的结果 0<=h(x)<=1。

    0和1的二分法则适用于很多场景,例如垃圾邮件监测、活跃用户监测、分类。举个栗子:如果获取到医疗有关恶性肿瘤的数据,得到数据特征:肿瘤大小(Tumor Size),以及医生判定结果1:恶性,0:良性;建立起模型(计算函数)就可以实现预测,已知肿瘤大小,预测是否恶性。这是最简化的单变量(特征)的预测。

    1.2 与线性回归的差异

    假如我们使用线性回归Linear Regression,看看是否可以建立起一个函数h(x)=θ'X做预测:

    肿瘤预测(肿瘤大小与是否恶性肿瘤)

    通过线性回归函数,可以(计算)画一根线,得出结论当h(x)>=0.5就可以判定是恶性肿瘤。如果存在异常值后,线性回归会拟合新的数据,出现了新的线(上图蓝色线),那么当使用0.5阈值时,就会出现很差劲的效果,上图看至少有几个点出现判断错误。所以线性回归并不适合,所以需要做些修改,这就引入了逻辑回归 Logistic Regression.

    新增异常点发现0.5阈值不靠谱

    1.3 逻辑回归公式推导

    简书不好编辑数学公式,只好贴图了~。

    (1) 假设数据抽取的特征为X(i)={x1,x2,...xn}, 那么一系列的数据建立的就是m行n列的矩阵X,其中列一般是n,意味着n个特征。

    (2) 假设θ是回归参数向量(一阶矩阵),θ={θ0,θ1,θ2...,θn},是n+1,对应n个特征。具体是神马暂不用理解.

    (3) 假设h(x)是预测函数。线性回归是h(x)=θ'X, θ'是θ的转置,最后预测函数h(x)范围是[0,1]。

    结果为y(i)在{0,1}范围。需要建立的预测函数h(x)

    逻辑回归模型

    由于最终取值是0,1,这里一般选择了一个回归函数,也叫sigmoid函数 

    z=θ'X

    g(z)=1/(1+e^-z)

    选择g(z)作为回归函数,很大程度就是因为指数方式图形,最后是在[0,1]之间,而且很好理解的是当z>>0 远远大于0时,h(x)≈ 1,或者是z>0 ,h(x) >0.5 预测值=1;相反则是0,很好的符合[0,1]的判断。

    逻辑回归函数图形

    汇总一下,回归函数就是:

    h(x)=1/(1+e^-θ'X)

    怎么理解这个函数呢?可以理解为当输入x后,y=1的可能性概率。如果h(x)=0.7,那么意味这y=1的可能性概率高。也可以换成概率论理解h(x)=P(y=1 | X;θ),已知参数θ和X,y=1的概率。

    逻辑回归函数含义

    逻辑回归函数h(x)=1/(1+e^-θ'X),我们如果求解了回归参数θ,那么代入新的x值,就可以实现预测了,如上图x=[1; 2(肿瘤大小)]; 假设θ=[3;4],那么:

    z=θ'X=3*1+4*2=11

    h(x)=g(z)=1/(1+e^-11)=0.99998

    那么很遗憾,有0.99998的概率是恶性肿瘤y=1。畅想下,医疗行业的数据积累如果能够共享,建立数据集,就可以通过技术手段做一些辅助决策判断,提升效率~

    1.4 代价函数

    得到回归函数,我们就要计算代价函数,通过代价函数,计算对应的θ值,就可以建立h(x)了。

    如何计算θ是关键

    吴恩达老师从线性回归的代价函数,推导出了逻辑回归的新代价函数。我们先看看线性回归的代价函数J(θ)

    线性回归的代价函数

    那么用这个线性回归的代价函数,有什么问题呢?可以用,但是效果不理想。将h(x)代入上述公式,得出下图左侧的“non-convex”图看,代价函数J(θ)图形是非凸函数,直白点来说,就是有很多切线(导数)为0的点。按照线性回归那章说的梯度下降法,就是要寻找导数为0的点。也就是说如果代价函数不是凸函数,那么就存在局部的最低点,效果不理想,会欠拟合(不准确)。所以我们期望J(θ)是一个convex 凸函数,碗底就是要求解的点(全局最小值)。

    代价函数推导

    其实回想下h(x)=1/(1+e^-θ'X) 该函数就不是一个线性函数,对应的代价函数J(θ)必然也不是线性的。

    使用对数函数log作为代价函数

    简化后就是:

    Cost(h(x),y)=-ylog(h(x))-(1-y)log(1-h(x))

    合并复杂代价公式为简化公式 最后简化的公式

    J(θ)出来后,这个就是一个线性凸函数,可以看到很巧妙的将y=1时-log(h(x)), y=0时-log(1-h(x))结合起来,因为y={0,1},因为无论y是那个取值,必然是线性的对数函数log。

    1.5 梯度下降求解θ

    对于J(θ)函数求最小值,梯度下降的算法就是对J(θ)求导.

    逻辑回归的梯度下降

    详细的求解过程如下图,介绍几个微积分求导的公式有助于理解: 

    (uv)'=u'v+uv';

    (u/v)'=(u'v-uv')/v^2;  当u=1时,常量导数=0  (1/(1+e^-x))'=-(1+e^-x)'/(1+e^-x)^2;

     (u+v)'=u'+v';

    梯度求解公式推导过程

    1.6 算法小结

    基本上逻辑回归Logistic Regression方法是很有效的分类方法,在进行实际生产中,可以快速的应用并得到比较不错的效果。

    由于单类别(二分)的计算,实际上在此基础上可以进行多分类划分,就需要加一些步骤。这个在下面算法实现中会提到。

    2. 算法实现

    使用开源的Octave(有钱的可以用Matlab),这是一个非常优秀的数学计算工具,安装简单,适用与demo和早期算法模型验证。毕竟一开始就动手写大段Java/Python代码去验证一个模型和算法,代价较大。

    这里用到线性代数,矩阵计算的方式来进行,基本上机器学习大多基于矩阵进行计算。线性代数不好的同学,看下麻省线性代数前几章就能理解了: http://study.163.com/course/courseMain.htm?courseId=1003649037

    下载代码

    这里使用了测试数据是入学考试成绩,x1是第一次成绩,x2是第二次成绩

    2.1 计算过程

    计算过程大致如下:

    1. 已知数据X,结果y。

    2. 随机初始化θ

    3. 计算代价函数J(θ),得到代价值

    4. 梯度下降,得到J(θ)导数,更新θ

    5. 重复2-4,遍历N次。

    6. 求得θ,获取h(x)函数,进行预测。

    简单起见,这里省略掉了交叉验证环节。

    2.2 代价函数

    代价函数lrCost.m

    function [J,grad]=lrCost(theta,X,y) 

      m=length(y); 

      X=[ones(m,1),X];  %新增x0列=1hx=X*theta;    

      h=zeros(m,1); 

      h=sigmoid(hx);  %g(z)=1/(1+e^-z)      

      Jtmp=0; 

      for i=1:m,   

        Jtmp=Jtmp+(-y(i)*log(h(i))-(1-y(i))*log(1-h(i))); 

      end; 

    J=(1/m)*Jtmp;     %计算cost函数J(θ)

    grad=(1/m)*X'*(h-y);  % 求导J,梯度下降

    end 

    回归函数g(z), sigmoid.m

    function g=sigmoid(z) 

    [m n]=size(z); 

    g=zeros(size(z)); 

    for i=1:m,   

      for j=1:n,     

        g(i,j)=1/(1+e^(-z(i,j)));   

      end; 

    end;

    end

    好了现在就可以开始使用了,请保证Octave的目录与代码同目录

    data=load('ex2data1.txt');

    X=data(:,1:2);

    y=data(:,3);

    initial_theta=[0;0;0];

    options = optimset('GradObj', 'on', 'MaxIter', 400);

    [theta, cost] = fminunc(@(t)(lrCost(t, X, y)), initial_theta, options);

    调用octave的内建函数fminunc();来获得最优的theta和最小的cost。大致含义就是使用梯度下降,执行400次cost函数lrCost,求得最后的θ和代价J(θ)。

    执行逻辑回归计算

    如上图,计算得出θ =[-25.16;0.20;0.20];  h(x)=-25.16+0.20*x1+0.20*x1;

    写个预测程序predict.m

    function y=predict(theta,X) 

    X=[ones(size(X,1),1),X]; 

    disp(X); 

    y=sigmoid(X*theta); 

    y=y>0.5;

    end

    预测值>0.5就是y=1;

    调用预测

    3. 算法应用

    先占坑,后面在用spark写个应用。

    spark 官方git 示例: https://github.com/apache/spark/blob/master/examples/src/main/java/org/apache/spark/examples/ml/JavaLogisticRegressionSummaryExample.java

    相关文章

      网友评论

          本文标题:2 逻辑回归

          本文链接:https://www.haomeiwen.com/subject/nrfnrftx.html