关于逻辑回归（Logistic regression）模型的简单思考

关于逻辑回归（Logistic regression）模型的简单思考

Tags： 机器学习算法

　　Logistic regression(LR)模型是一种分类算法，它将特征空间映射成一种可能性，本文将从以下几方面解释逻辑回归模型：

• 逻辑回归模型的定义
• 逻辑回归模型的概率论解释
• 逻辑回归的引申：条件随机场
• 求解实现（Python）

1.逻辑回归模型的定义

　　模型输入为 x⃗  （简记为 x ），输出为y∈0,1。定义 p(y=1|x)=hθ(x)=g(θTx)=11+e−θTx 。
其中， θ 为参数， g(z)=11+e−z ，又被称为logistic函数或者sigmoid函数。sigmoid函数取值在 (0,1) 之间。

2.逻辑回归的概率解释

　　考虑二分类问题， ci 表示第 i 类，i∈0,1。 x 作为输入，表示特征。用p(ci|x)表示已知 x 时，类别为ci的概率。由贝叶斯理论有：

p(ci|x)=p(ci,x)p(x)=p(ci)∗p(x|ci)p(x)

其中 p(x)=∑cip(ci,x)=∑cip(ci)∗p(x|ci)
　　对于二分类，带入 i=1 的值有：

p(c1|x)=11+p(c0)∗p(x|c0)p(c1)∗p(x|c1)

令 a=lnp(c0)∗p(x|c0)p(c1)∗p(x|c1)
　　取先验概率 p(ci)∼Bernoulli(Φ) 时，若 p(x|ck) 服从高斯分布，且共享协方差矩阵，即 p(x|ck)=1(2π)D/21|Σ|1/2exp−12(x−uk)TΣ−1(x−uk) 。
　　则 p(ck|x) 符合逻辑回归模型的形式。即 p(ck|x)=11+e−wTx 。
　　当 p(x|ck) 服从泊松分布时，也有此结果。

高斯判别模型（Gaussian Discriminant Analysis，GDA）与逻辑回归模型

　　高斯判别模型属于生成模型（即对联合概率建模），逻辑回归模型属于判别模型（即对条件概率建模）。
我们将 p(y=1|x;W) 看做 x 的函数（W表示参数集合），可以证明有如下形式：

p(y=1|x;W)=11+exp(−θTx)

　　当训练相同的数据集时，这两个模型将得到不同的分类边界，哪一个更好？

1. 高斯判别模型可以转化为逻辑回归模型，反之不一定。即高斯判别模型有更强的模型假设。
2. 当该假设正确时，GDA有更好的效果（更少的数据就可以学的不错）。换句话说，LR鲁棒性更强。
3. LR模型的假设要求更弱，例如，如果 x|y∼Poission(λ) ，LR仍然有效。

3.从逻辑回归到条件随机场

　　朴素贝叶斯和LR模型最大区别在于前者是生成模型，后者是判别模型。可以认为两者有相同的假设空间，在这种意义下，任何LR分类器和一个朴素贝叶斯分类器可以在相同的决策界下相互转换。朴素贝叶斯可以转化为有向图模型，LR模型可以转换为无向图模型。
　　LR模型的输出是标量，CRF输出是结构化的多元输出（应该可以看做向量吧），因此LR模型可以看做最简单的CRF模型。
　　
图片来源：C. Sutton, and A. McCallum. (2007). “An Introduction to Conditional Random Fields for Relational Learning”

4.用Python实现LR模型

以下代码是搬运他人教程。详见参考资料3。
问题描述：
辨别不同因素对研究生录取的影响：
影响变量（predictor variables）：
- gpa
- gre 分数
- rank 本科生母校声望
预测变量：admit，表示考生是否被录用，0/1变量

import pandas as pd
import statsmodels.api as sm
import pylab as pl
import numpy as np

# 加载数据
# 备用地址: http://cdn.powerxing.com/files/lr-binary.csv
df = pd.read_csv("http://www.ats.ucla.edu/stat/data/binary.csv")

# 重命名'rank'列，因为rank也是pandas dataframe中一个方法的名字
df.columns = ["admit", "gre", "gpa", "prestige"]
print df.columns
# array([admit, gre, gpa, prestige], dtype=object)

# summarize the data
print df.describe()

# 将prestige设为虚拟变量
# 虚拟变量，也叫哑变量，可用来表示分类变量、非数量因素可能产生的影响。在计量经济学模型，需要经常考虑属性因素的影响。例如，职业、文化程度、季节等属性因素往往很难直接度量它们的大小。只能给出它们的“Yes—D=1”或”No—D=0”，或者它们的程度或等级。为了反映属性因素和提高模型的精度，必须将属性因素“量化”。通过构造0-1型的人工变量来量化属性因素。
dummy_ranks = pd.get_dummies(df['prestige'], prefix='prestige')
print dummy_ranks.head()

# 为逻辑回归创建所需的data frame
# 除admit、gre、gpa外，加入了上面常见的虚拟变量（注意，引入的虚拟变量列数应为虚拟变量总列数减1，减去的1列作为基准）
cols_to_keep = ['admit', 'gre', 'gpa']
data = df[cols_to_keep].join(dummy_ranks.ix[:, 'prestige_2':])

# 需要自行添加逻辑回归所需的intercept变量
data['intercept'] = 1.0

# 指定作为训练变量的列，不含目标列`admit`
train_cols = data.columns[1:]
# Index([gre, gpa, prestige_2, prestige_3, prestige_4], dtype=object)
# 在这里是使用了statesmodels的Logit函数，更多的模型细节可以查阅statesmodels的文档
logit = sm.Logit(data['admit'], data[train_cols])
# 拟合模型
result = logit.fit()

# 构建预测集
# 与训练集相似，一般也是通过 pd.read_csv() 读入
# 在这边为方便，我们将训练集拷贝一份作为预测集（不包括 admin 列）
import copy
combos = copy.deepcopy(data)
# 数据中的列要跟预测时用到的列一致
predict_cols = combos.columns[1:]
# 预测集也要添加intercept变量
combos['intercept'] = 1.0
# 进行预测，并将预测评分存入 predict 列中
combos['predict'] = result.predict(combos[predict_cols])
# 预测完成后，predict 的值是介于 [0, 1] 间的概率值
# 我们可以根据需要，提取预测结果
# 例如，假定 predict > 0.5，则表示会被录取
# 在这边我们检验一下上述选取结果的精确度
total = 0
hit = 0
for value in combos.values:
  # 预测分数 predict, 是数据中的最后一列
  predict = value[-1]
  # 实际录取结果
  admit = int(value[0])
  # 假定预测概率大于0.5则表示预测被录取
  if predict > 0.5:
    total += 1
    # 表示预测命中
    if admit == 1:
      hit += 1
# 输出结果
print 'Total: %d, Hit: %d, Precision: %.2f' % (total, hit, 100.0*hit/total)
# Total: 49, Hit: 30, Precision: 61.22

# 查看数据的要点
print result.summary()

参考资料：
1. CS229 Lecture notes(Andrwe Ng)
2. Pattern Recognition and Machine Learning(PRML)
3. Python实现逻辑回归(Logistic Regression in Python)