五 逻辑斯蒂回归与最大熵模型

1 逻辑斯蒂回归模型

(1)逻辑斯蒂分布

                 对于连续的随机变量X,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:

分布函数:

五 逻辑斯蒂回归与最大熵模型_第1张图片

密度函数:

 

五 逻辑斯蒂回归与最大熵模型_第2张图片

 式中:u为位置參数,r >0为形状參数。

f(x)推导过程:

(2)二项逻辑斯蒂回归模型

        二项逻辑斯蒂回归模型是一种分类模型,使用P(Y|X)表示,形式为參数化的逻辑斯蒂分布。

       随机变量X取值为实数,随机变量Y取值为1或0。

五 逻辑斯蒂回归与最大熵模型_第3张图片

         于是二项逻辑斯蒂回归模型就是对输入实例X,求P(Y=1|X) 和P(Y=0|X) ,然后比较其大小,将实例分为概率较大的那一类。

      事件的几率(odds): 事件的几率 = 事件发生的概率/事件不发生的概率

                                      odds的对数几率即其logit函数就是: logit(p) = log(p / (1 - p))

     于是对于逻辑斯蒂回归而言:

                                               

上式说明了:在逻辑斯蒂回归模型中,输出Y=1的对数几率是输入X的线性函数。

换句话说即:输出Y=1(输出指定类别)的对数几率是由输入X的线性函数表示的模型。

即:逻辑斯蒂回归模型就是输出Y=1(输出指定类别)的对数几率是由输入X的线性函数表示的模型。

五 逻辑斯蒂回归与最大熵模型_第4张图片

 w·x的值越接近 +∞,P(Y=1|X) 越接近1               w·x的值越接近 -∞,P(Y=1|X) 越接近0

这样的模型就是逻辑斯蒂回归模型

 

模型参数估计:

(3)多项逻辑斯蒂回归

五 逻辑斯蒂回归与最大熵模型_第5张图片

 

2 最大熵模型

(1)最大熵原理

 最大熵原理认为:在所有可能的概率模型中,熵最大的模型为最好的概率模型

 对于某一个随机变量X,它的概率分布为P(X),它的熵定义为 :

                                     

熵的取值范围:

                                      

式中,|X|是X的取值个数,当且仅当X的分布是均匀分布时右边的等号成立,这就是说当X服从均匀分布时,熵最大。

五 逻辑斯蒂回归与最大熵模型_第6张图片

五 逻辑斯蒂回归与最大熵模型_第7张图片

 

(2)最大熵模型的定义

 

我们的目的:利用最大熵原理,选择一个最好的分类模型;从而,对于任何给定的样本x∈X,都可以以概率P(y|x)输出y∈Y。

 

例如两分类问题:得到的分类器P(Y|X),可以使得对于任何给定的样本x∈X,都可以计算得到P(y=1|x)和P(y=0|x)

具体构造思路为:

image_1b3h7kjju4e21p6nqdilbh1ed19.png-41.4kB

 

五 逻辑斯蒂回归与最大熵模型_第8张图片

       6.13的公式推导:         条件熵H(X|Y) = H(X,Y) - H(Y)

3 最大熵模型的学习

      最大熵模型的学习过程就是求解最大熵模型的过程,最大熵模型的学习等价于约束最优化问题:

                                image_1b3h8fqlg8h684f86n1rqn1aj92a.png-20.3kB

这个优化问题可以转换为最小化问题:

                                   image_1b3h8hr9ktjv1o1ejmb16n61jne2n.png-21.1kB

求解约束最优化问题:

构建拉格朗日函数:

                        image_1b3h8vfqm15dc1kpgjhr1ubj1vas3h.png-14.8kB

即:

                           image_1b3h911s715mv7qb7dsdr4b963u.png-26.8kB

从而,得到原始问题的等价形式 :

                                                image_1b3h91mqofmi10ho16u5dn61r0s4b.png-4.5kB

继而,得到原始问题的对偶问题 :

                                                 image_1b3h92mqtcecov51nk718rs1ane4o.png-4.4kB

由于这里的Lagrange函数是凸函数,所以原问题和对偶问题的最优解相同,接下来只需要求解对偶问题的最优解就可以:

先求内部的最小化问题 :

                                           

目标函数对p(y|x)求梯度 :

                                      image_1b3h9cfjl10s4ffkn08pm1v0055.png-29.5kB

并令梯度为0,可以求得最优的p(y|x)。它是w的函数 

                                     image_1b3ha3ppcsg91qav19kukk6hra5v.png-9.6kB

将该最优解代回到对偶问题,再求最外的关于ww的最大化问题 :

                                                image_1b3ha58s2137igs61jir17tc8or6c.png-3kB

求解得到最优的w∗:

                                     image_1b3ha5p2f1q2onnn160dh13iad6p.png-4.8kB

最后,Pw∗可求,也就是最优的:

                                              image_1b3ha7caa2kgbts1rdfjm11nih76.png-4.2kB

 

 

 

你可能感兴趣的:(五 逻辑斯蒂回归与最大熵模型)