机器学习总结（lecture 4）算法：逻辑回归Logistic Regression （LR）

lecture 4：逻辑回归Logistic Regression

目录

1分类和模型表示

先来谈谈二分类问题。课程中先给出了几个例子。

邮件是垃圾邮件还是非垃圾邮件；
网上交易是的欺骗性（Y or N）；
肿瘤是恶性的还是良性的。

对于这些问题，我们可以通过输出值y ϵ {0, 1} 来表示。
注意：分类结果是离散值，这是分类的根本特点。

普通的hθ(x)函数存在函数值大于1和小于0的情况（没有意义），于是我们要构造特殊函数使0≤hθ(x)≤1

我们提出了一种新的回归模型：

y=hθ(x)=g(θTx)=11+e−θTx y = h θ ( x ) = g ( θ T x ) = 1 1 + e − θ T x

称之为Logistic function或者sigmoid function




我们可以直观地看出，当(x1,x2)在这条直线的上方，则预测 y=1；当(x1,x2)在这条直线的下方，则预测 y=0。

−x1+x2=3这条直线就是这里的决策边界（Decision Boundary）。它将空间分为两个区域，预测y=0和预测y=1。这条直线并不是数据集本身的属性，而是假设函数（hypothesis）和其参数θ的属性。

上面的决策边界−x1+x2=3属于线性决策边界，再看一个非线性决策边界的例子。假设训练数据的分布如下图所示，则可用高阶多项式进行拟合。

2逻辑回归

2.1逻辑回归的代价函数的选取

因此，在逻辑回归中，需要另寻一个代价函数，使其是凸函数（单弓形），如下图，这样就可以使用梯度下降法找到全局最小值。

我们选择如下的代价函数来表示单个样本的代价：

这个函数看起来很复杂。下面我们通过画出它的图像来解释选择它的原因。

1、当y=1，Cost(hθ(x),y) 关于hθ(x)的图像：

注意横坐标为hθ(x)，而hθ(x)的取值范围为(0,1)，所以图像只取(0,1)段。
我们可以看出，当hθ(x)=1，则假设函数预测结果与事实一致，Cost=0；
当hθ(x)=0，则预测结果与事实不符，Cost=∞，说明要通过一个很大的代价 Cost→∞ 来惩罚学习算法。

2、当y=1，Cost(hθ(x),y) 关于hθ(x)的图像：

横坐标为hθ(x)，而hθ(x)的取值范围为(0,1)，所以图像只取(0,1)段。
同理，若y=0，而hθ(x)=1，将通过一个很大的代价 Cost→∞ 来惩罚学习算法。

• 以上说明在求解参数θ时，当选择合适的代价函数（代价函数转化为一个凸函数），我们就可以将问题转化为凸优化问题（convex optimization problem），方便我们求解全局最小值。

简化代价函数

梯度下降法求解参数与线性回归是一样的

3过拟合和正则化

• 欠拟合：高偏差，拟合出的假设函数在训练集上不能很好地拟合数据
• 过拟合：高方差，由于特征变量太多，导致学习到的假设函数太过适合于训练集，导致无法泛化到新的数据样本

泛化能力：指一个假设模型能够应用于新样本（没有出现在训练集）的能力。

这里给出两种规避过拟合的方法：

• 减少特征变量的数量
  人工选择保留或舍弃哪些变量，也可以通过模型选择算法自动选择采用哪种特征变量。
• 正则化（regularization）
  保留所有特征变量，但要减小 θj 的数量级或值。

正则化

正则化的两个目标：

• ① 更好的拟合训练数据，使假设函数很好的适应训练集
• ② 保持 θ 参数值较小，避免过拟合

正则化参数λ的影：

• ① λ 如果太小，则相当于正则化项没起到作用，无法控制过拟合；
• ② λ如果太大，则除了θ0，其余的参数都会约等于0，相当于去掉了那些项，使hθ(x)=θ0，毫无疑问这会得不偿失地导致欠拟合。