逻辑回归(Logistic Regression, LR)模型其实仅在线性回归的基础上，套用了一个逻辑函数，但也就由于这个逻辑函数，使得逻辑回归模型成为了机器学习领域一颗耀眼的明星，更是计算广告学的核心。

一,逻辑回归模型

    我们对线性回归的结果做一个在函数g上的转换，可以变化为逻辑回归。这个函数g在逻辑回归中我们一般取为sigmoid函数，形式如下：

，其图像为：

sigmoid函数

它有一个非常好的性质，即当趋于正无穷时，趋于1，而当趋于负无穷时，趋于，这非常适合于我们的分类概率模型。另外，它还有一个很好的导数性质： 。

如果我们令中的z为：，这样就得到了二元逻辑回归模型的一般形式：

其中： 为样本输入，对于模型输出，我们让它和我们的二元样本输出（假设为和）有这样的对应关系，如果 ，即, 则为。如果，即, 则为。 的值越小，而分类为的的概率越高，值越大的话分类为的的概率越高。如果靠近临界点，则分类准确率会下降。

二，逻辑回归损失函数

    假设我们的样本输出是0或者1两类（或）。那么我们有：

，

 把这两个式子用一个式子表示，就是：

那么，极大似然函数为：

,为样本数量。

为了方便运算对似然函数取对数：

最大似然估计就是要求得使 取最大值时的 ，通俗解释为：确定一个使标签对应为类的样本尽量被分到类，标签为类的样本尽量被分到类。这里可以使用梯度上升法求解。但为了使用梯度下降法我们稍微变换一下：

三，梯度下降求解

    即为损失函数，我们使用梯度下降法对损失函数进行求解：

对于某个样本进行梯度下降有：

从而迭代至收敛即可：

，其中为学习率。

4.逻辑回归的正则化

    逻辑回归也会面临过拟合问题，所以我们也要考虑正则化。常见的有L1正则化和L2正则化。

逻辑回归的L1正则化的损失函数表达式如下，相比普通的逻辑回归损失函数，增加了L1的范数做作为惩罚，超参数作为惩罚系数，调节惩罚项的大小。二元逻辑回归的L1正则化损失函数表达式如下：

其中，为惩罚系数， 越大，对 的限制越大。

二元逻辑回归的L2正则化损失函数表达式如下：

其中，为惩罚系数，越大，对 的限制越大。

小伙伴们如果觉得文章还行的请点个赞呦！！同时觉得文章哪里有问题的可以评论一下  谢谢你！