理論推導

??在以前的博客（機器學習入門學習筆記：（2.1）線性回歸理論推導 ）中推導了單元線性回歸和多元線性回歸的模型。
??將線性回歸模型簡寫為：y=ωTx+b；
??對數線性回歸模型可以寫成：ln(y)=ωT+b；本質上仍然是線性回歸，只不過擬合的是非線性的ln函數了。
??更一般地，考慮單調可微函數g(.)，令y=g?1(ωTx+b)；這個模型就叫做廣義線性回歸模型。（直接抄書的，實在不擅長背定義QAQ）
??對于二分類任務，輸出標記為y∈{0,1}，而線性回歸的預測結果h(x)=ωTx+b，很明顯是一個連續值，所以需要將其轉換為0/1值。
?? 所以要用到單位階越函數：

y=???0,h(x)<0;0.5,h(x)=0;1,h(x)>0;
即，若預測值大于0，就判為正例；若預測值小于0，就判為負例；臨界值處，任意判別。
??我們都知道，階躍函數不可導，不連續，而 g?1(.)必須是一個可微的函數，所以階躍函數不能用作 g?1(.)，還需要找一個連續函數代替階躍函數。
??我們常用 對數幾率函數（logistic function）來進行替代： y=11+e?z
??畫出圖形會看到它形似S，所以也是一種sigmoid函數。
??把對數幾率函數作為 g?1(.)，代入到廣義線性回歸的公式中： y=11+e?(ωTx+b)
??做一些化簡，可以得到： ln(y1?y)=ωTx+b
??其中，y是正例的可能性，(1-y)是負例的可能性。
??那么，這個 ln(y1?y)其實就是“對數幾率”，等式右邊的是什么不用說了吧?？梢钥闯?#xff0c;對數幾率回歸實質上就是使用線性回歸模型（ ωTx+b）來逼近這個對數幾率（ ln(y1?y)）。
??好的，那么問題來了。如何求解出這個模型中的未知參數 ω和 b呢？
只考慮二分類的情況下，將y換成后驗概率P(y=1|x)來表示，同理1-y可以換成 P(y=0|x)。
??則有： {ln(P(y=1|x)P(y=0|x))=ωTx+bP(y=1|x)+P(y=0|x)=1
??解得： ???P(y=1|x)=eωTx+b1+eωTx+bP(y=0|x)=11+eωTx+b
??通過極大似然法來估計 ω和 b：L(ω,b)=∑i=1mln(P(yi|xi;ω,b))
??為表述方便，使用一個新矩陣 β來表示 ω和 b，令β={ωb}。
??同時也要給x矩陣補上一列1，令 x′={x1}。因為要對應參數b，補上1，保證結果不變。
??那么， ωTx+b=βTx′。
??由于是二分類，即只有 y=0和 y=1的情況，那么可以將似然項重寫為 y=0和 y=1的情況相加： p(yi|xi;β)=yi×p(y=1|x′i;β)+(1?yi)×p(y=0|x′i;β)
??”西瓜書“上是這么寫的，當然這樣也不難理解。其實為了后面推導方便和容易理解，我們可以換成對數幾率的形式來表示，原理依然是一樣的，無非是加了個對數： ln[p(yi|xi;β)]=yi×ln[p(y=1|x′i;β)]+(1?yi)×ln[p(y=0|x′i;β)]
??將上式代入到前面極大似然的公式中： L(β)=∑mi=1ln(P(yi|xi;β))
??聯立前面推出的后驗概率的結果： ???P(y=1|x)=eωTx+b1+eωTx+bP(y=0|x)=11+eωTx+b
??得到最后的結果： L(β)=∑i=1m(yiβTx′i?ln(1+eβTx′i))

??由于是極大似然，我們需要求出其極大值，所以有：

β?=argmaxmL(β)
??求出使 L(β)最大的最優解等價于求出使 ?L(β)最小的解，所以有：
β?=argmaxmL(β)=argminmL(β)=∑i=1m(?yiβTx′i+ln(1+eβTx′i))
??最后可以通過凸優化中的梯度下降法、牛頓法等方法來求出 L(β)函數的最優解 β?。

以上僅是個人學習筆記分享用，也留作我自己以后溫習。
(>.<)

《新程序員》：云原生和全面數字化實踐50位技術專家共同創作，文字、視頻、音頻交互閱讀

總結

以上是生活随笔為你收集整理的机器学习入门学习笔记：（2.3）对数几率回归推导的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。