JSong @2016.06.13

本系列文章不适合入门，是作者综合各方资源和个人理解而得. 另外最好有数学基础, 因为数学人一言不合就会上公式.

简单模型的魅力在于它能从各个角度去欣赏. 逻辑回归是最简单的二分类模型之一，实际应用中二分类最常见，如判定是否是垃圾邮件，是否是人脸，是否值得借贷等, 而概率模型对于这类问题有得天独厚的优势. 本文将从各个角度来理解逻辑回归，并指出它是一个概率模型、对数线性模型、交叉熵模型.

我们先从线性回归谈起。 考察$m$个变量和$y$之间的线性关系：

根据要求我们需要找到$m+1$个回归系数$\theta_i$，使得

=\sum_{i=0}^m \theta_i x_i=\theta^T x)
其中$x_0=1$.

0. 线性代数下的回归模型

在这里如果每个变量都有$n$个样本，即则上述问题可以变为求解线性方程组：
.)
一般来讲，上述方程有唯一解(最小二乘法)：

1. 二分类问题简介

在商业应用中，很多模型的核心任务都是分类模型， 例如是否是垃圾邮件、某个商品是否推荐给用户、语音识别等等。而最简单的分类就是二分类，且多分类一定程度也可以转化成二分类问题。 给定一组有标签的训练数据
={(x^{i}\in \mathbb{R}^n, y^{i}\in {0,1}): i=1,2,\ldots,m}.) 在下图中我们随机给了一组散点图，红色代表y=1，蓝色代表y=0.

我们的目的就是找到一种模型将这两类样本点分开(当然实际应用中可能没有这么好的情况。 这里只是给一个Demo)。 最直接的想法就是找一个超平面$\theta^T x=0$, 使得红色点和蓝色点分别分布于超平面的两端. 此时对于任意一个样本点$x^{(i)}$, 不失一般性$\theta^T x^{(i)}$可以代表样本点到该超平面的距离。 因为红色样本点在超平面上方，即红点对应距离为正数，同理蓝点对应的距离为负数。 为避免区分红点或者蓝点，我们可以用$(2y-1)\theta^T x$来代替， 此时只要被正确分类， 该距离则为正数，否则为负数。 于是可得相应的损失函数为\theta^Tx.) 综合一下可得最简单的线性分类模型为：
\theta^T x^{(i)}])
这个损失函数有很多不好的地方，而且也不可导。接下来我们介绍更好的逻辑回归模型，其背后有很多的解释。

1.1 逻辑回归模型

令 且我们假定
\begin{eqnarray}
&P(y=1|x; \theta)=h_{\theta}(x)=g(\theta^T x)=\frac{1}{1+e^{-\thetaT x}}\
&P(y=0|x; \theta)=1-h_{\theta}(x)
\end{eqnarray}
其中

这里我们采用极大似然估计. 由于y取值的特殊性, 上面的模型假设等价于

1.2 几何意义（超平面分类）

重新考虑模型假设, 我们可以得到
)同样，逻辑回归模型也是用超平面来分类的. 且相应的极大似然估计可以写成
= \sum_{i=1}^{m} \log[(2y-1)[y-h_{\theta}(x)]]=\sum_{i=1}^{m} \log [1+e^{{(2y-1)\theta}T x}])

也即相应的损失函数为

1.3 线性代数意义

在上一节，我们给出了表达式
)
可以看出它相当于把y映射到了[0,1]区间。而且p/(1-p)是事件发生与事件不发生的概率之比，称为事件的发生比(the odds of experiencing an event),简称为odds。

1.4 信息论解释(交叉熵模型)

令随机变量$p\in {y,1-y}$, $q \in{\hat{y},1-\hat{y}}$, 其中$\hat{y}$为模型拟合得到的y, 则它们之间的交叉熵(cross entropy) 为
= -\sum_i p_i \log q_i =-[y\log \hat{y}+(1-y)\log(1-\hat{y})].)我们知道熵常用于度量一个随机变量所包含的信息量， 而交叉熵可以用来度量两个随机变量之间的相似性, 从上面式子可以看出逻辑回归的极大似然等价于最小化交叉熵.

1.5 神经网络模型

这个就不多说了，逻辑回归是一个最简单的神经网络模型

1.6 梯度下降法参数求解

按照极大似然的来求导：
=\sum_{i=1}^{m} [y^{{(i)}-h_{\theta}[x}{(i)}]]x^{(i)}= X^T[Y-h_{\theta}(X)])
其中$x^{(i)}$在$X$中作为行向量存储. 于是可得参数$\theta$的迭代式子：
])其中$\alpha$为步长, 因为是最大化$l(\theta)$，所以是沿着梯度的正方向寻找。

1.7 python代码

import numpy as np
import matplotlib.pyplot as plt
import time
%pylab inline

# calculate the sigmoid function
def sigmoid(inX):
    return 1.0 / (1 + np.exp(-inX))



def trainLogRegres(train_x, train_y, opts):
    # train a logistic regression model using some optional optimize algorithm
    # train_x is a mat datatype, each row stands for one sample
    # train_y is mat datatype too, each row is the corresponding label
    # opts is optimize option include step and maximum number of iterations

    # calculate training time
    startTime = time.time()
    train_x=np.asmatrix(train_x)
    train_y=np.asmatrix(train_y)
    numSamples, numFeatures =train_x.shape
    alpha = opts['alpha']; maxIter = opts['maxIter']
    weights = np.ones((numFeatures, 1))
    for k in range(maxIter):
        err = train_y - sigmoid(train_x * weights)
        weights = weights + alpha * train_x.T * err
    print 'Congratulations, training complete! Took %fs!' % (time.time() - startTime)
    return weights


# show your trained logistic regression model only available with 2-D data
def showLogRegres(weights, train_x, train_y):
    # notice: train_x and train_y is mat datatype
    numSamples, numFeatures = train_x.shape
    if numFeatures != 3:
        print "Sorry! I can not draw because the dimension of your data is not 2!"
        return 1

    # draw all samples   
    idx1=np.asarray(train_y)==1
    idx2=np.asarray(train_y)==0
    plt.plot(x[:,1][idx1].T,x[:,2][idx1].T,'or')
    plt.plot(x[:,1][idx2].T,x[:,2][idx2].T,'ob')
    # draw the classify line
    min_x = min(train_x[:, 1])[0, 0]
    max_x = max(train_x[:, 1])[0, 0]
    weights = weights.getA()  # convert mat to array
    y_min_x = float(-weights[0] - weights[1] * min_x) / weights[2]
    y_max_x = float(-weights[0] - weights[1] * max_x) / weights[2]
    plt.plot([min_x, max_x], [y_min_x, y_max_x], '-g')
    plt.xlabel('X1'); plt.ylabel('X2')

# 测试样例
len_samples=500
x=np.random.randn(len_samples,2)
idx1=x[:,0]+x[:,1]>0.5
y=np.zeros((len_samples,1))
y[idx1,0]=1
opt={'alpha':0.1,'maxIter':1000}
x=np.hstack((np.ones((len_samples,1)),x))
x=np.asmatrix(x)
y=np.asmatrix(y)
w=trainLogRegres(x,y,opt)
print w
showLogRegres(w,x,y)

Populating the interactive namespace from numpy and matplotlib
Congratulations, training complete! Took 0.047000s!
[[-17.37216188]
 [ 34.35470115]
 [ 34.98381818]]

这只是最简单的样例，在实际应用中我们还可以添加惩罚项
}[w\cdot x^{(i)}+c]]])
或者$L_1$范数
}[w\cdot x^{(i)}+c]]])
在样本很稀疏的时候，惩罚项很有用. 另外当样本量很大，我们又极其要求速度的时候，梯度下降法也要改进，换成SGD（stochastic gradient descent ）、拟牛顿法、AGD等等

1.8 变量选择

作为实际应用，我们还需要考虑一个变量是否值得加入模型。 对于不同的模型采取的方法一般也不一样。变量选择：网址链接

1. 前向选择（forward selection）：一个一个变量慢慢添加。找到一种指标(刻画加入模型使得模型拟合准确度提高的程度)，若某个变量对应的指标符合要求，则加入模型；重新计算指标；重复以上几步。

2. 后向选择（backward selection）：在模型包括所有候选变量的基础上，将不符合保留要求显著水平的自变量一次一个地删除。

3. 逐步回归(stepwise selection): 逐个引入自变量。每次引入对Ｙ影响最显著的自变量，并对方程中的老变量逐个进行检验，把变为不显著的变量逐个从方程中剔除掉，最终得到的方程中既不漏掉对Ｙ影响显著的变量，又不包含对Ｙ影响不显著的变量。

经常被问到的一个问题就是共线性，这个注意下。共线性就是指Y与$x_1$和$x_2$都没有显著的线性关系，但是Y与$x_1$和$x_2$的某个线性组合线性相关。

2.0 附录

1. 常见的几种最优化方法网址链接 最优化方法按 损失函数的凹凸与可导来分类。应该熟悉梯度下降、牛顿法。随机梯度和启发式的方法思想要掌握。机器学习常用的随机梯度下降法还有：SGD

2. 模型评价网址链接 这个也是比较重要的，常用的如召回率和ROC曲线。

3. 模型参数选择网址链接： 比如若有1000个样本，其中800个样本点用来训练，200个样本用来交叉验证。

4. 模型提升，模型强化： 关键词Boosting、GBDT等

参数设置