标签：逻辑回归   最优化问题   特征   数值   变化   png   理想   优化   问题   

（注：本文内容和图片来源于林轩田老师的《机器学习基石》课程）

1 引入逻辑回归

通常的二分类问题，希望输出类别；soft的二分类问题，希望输出概率值：

对于soft问题的理想数据和实际数据：

逻辑回归的思想：先求出特征的线性加权分数，再把它用逻辑斯蒂函数转化为0～1之间的值：

逻辑斯蒂函数介绍：

2 逻辑回归的损失函数

最大似然：将训练集产生的概率最大化：

运用逻辑斯蒂函数的性质：

可以得到：

因此问题就变为，选择合适的逻辑回归模型h，使得似然函数最大化：

把逻辑回归模型代进去，具体来说，就是：

两边取对数：

最后得到最终形式：

3 最小化损失函数

现在的问题是：

3.1 求损失函数的梯度

3.2 梯度下降法的推导

用迭代来求最优化问题，如下（其中v是一个单位向量）：

梯度下降的思想是：每次更新完以后，函数值尽可能下降到最低。因此相当于：

将式子泰勒展开：

则最小化问题变为：

前面一项是已知的，为了将最后一项向量内积最小化，v应该等于：

（即与梯度相反，再单位化）

η的选择：

因此η应该随梯度动态变化，假设η正比于梯度的大小：

因此，我们就能得到最后的形式。

4 逻辑回归学习算法

逻辑回归

标签：逻辑回归   最优化问题   特征   数值   变化   png   理想   优化   问题   

原文地址：http://www.cnblogs.com/coldyan/p/6137097.html