逻辑斯蒂回归（Logistic Regression）

LR回归（Logistic Regression）

标签（空格分隔）： 监督学习

---

@ author ： [email protected]
@ time : 2016-07-03

---

LR回归，虽然这个算法从名字上来看，是回归算法，但其实际上是一个分类算法，学术界也叫它logit regression, maximum-entropy classification (MaxEnt)或者是the log-linear classifier。在机器学习算法中，有几十种分类器，LR回归是其中最常用的一个。

LR回归是在线性回归模型的基础上，使用$sigmoid$函数，将线性模型 $w^Tx$ 的结果压缩到$[0,1]$ 之间，使其拥有概率意义。 其本质仍然是一个线性模型，实现相对简单。在广告计算和推荐系统中使用频率极高，是CTR预估模型的基本算法。同时，LR模型也是深度学习的基本组成单元。

LR回归属于概率性判别式模型，之所谓是概率性模型，是因为LR模型是有概率意义的；之所以是判别式模型，是因为LR回归并没有对数据的分布进行建模，也就是说，LR模型并不知道数据的具体分布，而是直接将判别函数，或者说是分类超平面求解了出来。

一般来说，分类算法都是求解$p(C_k|x)$ ，即对于一个新的样本，计算其条件概率 $p(C_k|x)$。这个可以看做是一个后验概率，其计算可以基于贝叶斯公式得到：$p(C_k|x)=p(x|C_k)p(C_k)$ ,其中$p(x|C_k)$是类条件概率密度，$p(C_k)$是类的概率先验。使用这种方法的模型，称为是生成模型，即：$p(C_k|x)$是由$p(x|C_k)$ 和 $p(C_k)$生成的。分类算法所得到的$p(C_k|x)$ 可以将输入空间划分成许多不相交的区域，这些区域之间的分隔面被称为判别函数（也称为分类面），有了判别函数，就可以进行分类了，上面生成模型，最终也是为了得到判别函数。如果直接对判别函数进行求解，得到判别面，这种方法，就称为判别式法。LR就属于这种方法。

logistic distribution （逻辑斯蒂分布）

之前说过，LR回归是在线性回归模型的基础上，使用$sigmoid$函数得到的。关于线性模型，在前面的文章《线性回归》中已经说了很多了。这里就先介绍一下，$sigmoid$函数。

首先，需要对 logistic distribution （逻辑斯蒂分布）进行说明，这个分布的密度函数和分布函数如下：

$$p(x;\mu,s)=\frac{e^{-(x-\mu)/s}}{s(1+e^{-(x-\mu)/s})}$$

$$P(x;\mu,s)=\frac{1}{e^{-(x-\mu)/s}}$$

这里$\mu$是位置参数，而$s$ 是形状参数。

逻辑斯蒂分布在不同的$\mu$ 和 $s$ 的情况下，其概率密度函数$p(x;\mu,s)$的图形：

逻辑斯蒂分布在不同的$\mu$ 和 $s$ 的情况下，其概率分布函数$P(x;\mu,s)$的图形：

由图可以看出，逻辑斯蒂分布和高斯分布的密度函数长得差不多。特别注意逻辑斯蒂分布的概率分布函数自中心附近增长速度较快，而在两端的增长速度相对较慢。形状参数$s$的数值越小，则概率分布函数在中心附近增长越快。

当$\mu=0,s=1$ 时，逻辑斯蒂分布的概率分布函数就是我们常说的$sigmoid$函数：

$$\sigma(a)=\frac{1}{1+e^{-a}}$$

且其导数为：

$$\frac{d\sigma}{da}=\sigma(1-\sigma)$$

这是一个非常好的特性，并且这个特性在后面的推导中将会被用到。

从逻辑斯蒂分布 到 逻辑斯蒂回归模型

前面说过，分类算法都是求解$p(C_k|x)$，而逻辑斯蒂回归模型，就是用当$\mu=0,s=1$ 时的逻辑斯蒂分布的概率分布函数：$sigmoid$函数，对$p(C_k|x)$进行建模，所得到的模型，对于二分类的逻辑斯蒂回归模型有：

$$P(C_1|x)=\frac{P(x|C_1)P(C_1)}{P(x|C_1)P(C_1) + P(x|C_2)P(C_2)}= \sigma(a)=\frac{1}{1+e^{-a}}$$

$$P(C_2|x)=\frac{P(x|C_2)P(C_2)}{P(x|C_1)P(C_1) + P(x|C_2)P(C_2)}= 1-\sigma(a)=\frac{e^{-a}}{1+e^{-a}}$$

很容易求得，这里：

$$a=ln\frac{P(x|C_1)P(C_1)}{P(x|C_2)P(C_2)}$$

$a$ 就是我们在分类算法中的决策面，由于LR回归是一个线性分类算法，所以，此处采用线性模型：这里参数向量为$\omega=\{w_{0},w_{1},w_{2},...,w_{n}\}$，$\phi_{j}(x)$是线性模型的基函数，基函数的数目为$M$个，如果定义$\phi_{0}(x)=1$的话（详细说明可以参阅《线性回归》）：

$$a=y(x,w)=\sum_{j=0}^{M}\omega_{j}\phi_{j}(x)=w^T\phi(x)$$

$$w=(w_{0},w_{1},w_{2},...,w_{M})$$

$$\phi=(\phi_{0},\phi_{1},\phi_{2},...,\phi_{M})$$

那么， 逻辑斯蒂回归模型$p(C_k|x)$ 就可以重写为下面这个形式：

$$p(C_1|x)=\sigma(a)=\sigma(w^T\phi)$$

$$p(C_2|x)=1-\sigma(a)=1-\sigma(w^T\phi)$$

对于一个二分类的数据集$\{x_n,t_n\}$，这里$t_n\in\{0,1\}$，$\phi_n=\phi(x_n)$$t=\{t_1,t_2,...,\},y_n=p(C_1|x_n)$其极大似然估计为：

$$P(t|w)=\prod_{n=1}^N\{y_n^{t_n}*(1-y_n)^{(1-t_n)}\}$$

对数似然估计为：

$$lnP(t|w)=\sum_{n=1}^N\{t_nlny_n+(1-t_n)ln(1-y_n)\}$$

关于$w$的梯度为：

$$\frac{\partial lnP(t|w)}{\partial w}=\sum_{n=1}^N\{t_nlny_n+(1-t_n)ln(1-y_n)$$

$$\begin{aligned} \frac{\partial lnP(t|w)}{\partial w} &= \sum_{n=1}^N\{t_n\frac{1}{y_n}\partial y_n-(1-t_n)\frac{1}{1-y_n}\partial y_n\}\\ &=\sum_{n=1}^N\{(t_n\frac{1}{y_n}-(1-t_n)\frac{1}{1-y_n})y_n(1-y_n)\partial(-w^T\phi_n)\}\\ &=\sum_{n=1}^N\{(y_n-t_n)\phi_n\} \end{aligned}$$

得到梯度之后，那么就可以和线性回归模型一样，使用梯度下降法求解参数$w$。

$$w_{t+1}=w_t-\alpha \nabla lnP(t|w)$$

梯度下降法实现相对简单，但是其收敛速度往往不尽人意，可以考虑使用随机梯度下降法来解决收敛速度的问题。但上面两种在最小值附近，都存在以一种曲折的慢速逼近方式来逼近最小点的问题。所以在LR回归的实际算法中，用到的是牛顿法，拟牛顿法（DFP、BFGS、L-BFGS）。

由于求解最优解的问题，其实是一个凸优化的问题，这些数值优化方法的区别仅仅在于选择什么方向走向最优解，而这个方向通常是优化函数在当前点的一阶导数（梯度）或者二阶导数（海森矩阵）决定的。比如梯度下降法用的就是一阶导数，而牛顿法和拟牛顿法用的就是二阶导数。

带惩罚项的LR回归

在之前的文章《Lasso Regression》、《脊回归》中，就L1正则化和L2正则化作了详细的说明，其主要是用来避免模型的参数$w$过大，而导致的模型过拟合的问题。其实现方法就是在前面的对数似然函数后面再加上一个惩罚项。

L2惩罚的LR回归：

$$\min_w \{C\sum_{n=1}^N\{t_nlny_n+(1-t_n)ln(1-y_n)\} + \frac{1}{2}w^Tw\}$$

L1惩罚的LR回归：

$$\min_w \{C\sum_{n=1}^N\{t_nlny_n+(1-t_n)ln(1-y_n)\} + \left|| w \right ||\}$$

上式中，$C$是用于调节目标函数和惩罚项之间关系的，$C$越小，惩罚力度越大，所得到的$w$的最优解越趋近于0，或者说参数向量越稀疏；$C$越大，惩罚力度越小，越能体现模型本身的特征。

#!/usr/bin/python
# -*- coding: utf-8 -*-


"""
author ： [email protected]
time : 2016-07-03-18-04

基于L1惩罚和L2惩罚的LR回归模型

C是用于调节目标函数和惩罚项之间关系的
C越小，惩罚力度越大，所得到的w的最优解越趋近于0，或者说参数向量越稀疏
C越大，惩罚力度越小，越能体现模型本身的特征。

本例子是利用逻辑回归做数字分类
每个样本都是一个8x8的图片，将这些样本分为两类：0-4为一类，5-9为一类

"""

print(__doc__)

import numpy as np
import matplotlib.pyplot as plt

from sklearn.linear_model import LogisticRegression
from sklearn import datasets
from sklearn.preprocessing import StandardScaler

# 读取图片数据
# 这个数据集中有共有10种数字图片，数字分别是0-9
# 每种类别的数字大概有180张图片，总共的图片数目为1797张
# 每幅图片的尺寸为8x8，即64个像素点
# 像素的变化范围是0-16
#
# 也就是说，每个样本点有64个特征
# 即本例中LR模型的特征维度为64
digits = datasets.load_digits()

# 将前12张数字图片显示出来
plt.figure(1)
for i in range(12):
    imageplot = plt.subplot(3, 4, i+1)
    plt.imshow(digits.images[i], interpolation='nearest',
                   cmap='binary', vmax=16, vmin=0)
    imageplot.set_title("digit %d" % i)

# 读取数据X和目标y，并将数据X归一化
# 归一化的结果是均值为0，方差为1，也就是常用的z变换
#
# 对于机器学习中的很多方法，比如SVM，L1、L2正则化的线性模型等等
# 对于数据，都有一个基本假设，就是数据每个特征都是以0为中心
# 并且所有特征的数据变化都在同一个数量级
# 如果有一个特征的方差特别大，那么这个特征就有可能对机器学习的模型起决定性的作用
# 为了防止上面的现象，所以这里将数据做了归一化，或者叫做正则化
X, y = digits.data, digits.target
X = StandardScaler().fit_transform(X)

# 将数据集分成两类 0-4之间为一类，5-9之间为另一类
y = (y > 4).astype(np.int)


plt.figure(2)
for i, C in enumerate((100, 1, 0.01)):
    # 根据不同的C得到不同的LR模型
    clf_l1_LR = LogisticRegression(C=C, penalty='l1', tol=0.01)
    clf_l2_LR = LogisticRegression(C=C, penalty='l2', tol=0.01)
    clf_l1_LR.fit(X, y)
    clf_l2_LR.fit(X, y)

    # LR模型的参数向量
    coef_l1_LR = clf_l1_LR.coef_.ravel()
    coef_l2_LR = clf_l2_LR.coef_.ravel()

    # 计算L1和L2惩罚下，模型参数w的稀疏性
    sparsity_l1_LR = np.mean(coef_l1_LR == 0) * 100
    sparsity_l2_LR = np.mean(coef_l2_LR == 0) * 100

    print("C=%.2f" % C)
    print("L1惩罚项得到的参数的稀疏性: %.2f%%" % sparsity_l1_LR)
    print("L1惩罚项的模型性能: %.4f" % clf_l1_LR.score(X, y))
    print("L2惩罚项得到的参数的稀疏性: %.2f%%" % sparsity_l2_LR)
    print("L2惩罚项的模型性能: %.4f" % clf_l2_LR.score(X, y))

    l1_plot = plt.subplot(3, 2, 2 * i + 1)
    l2_plot = plt.subplot(3, 2, 2 * (i + 1))
    if i == 0:
        l1_plot.set_title("L1 penalty")
        l2_plot.set_title("L2 penalty")
        print coef_l1_LR

    l1_plot.imshow(np.abs(coef_l1_LR.reshape(8, 8)), interpolation='nearest',
                   cmap='binary', vmax=1, vmin=0)
    l2_plot.imshow(np.abs(coef_l2_LR.reshape(8, 8)), interpolation='nearest',
                   cmap='binary', vmax=1, vmin=0)
    plt.text(-8, 3, "C = %.2f" % C)

    l1_plot.set_xticks(())
    l1_plot.set_yticks(())
    l2_plot.set_xticks(())
    l2_plot.set_yticks(())

plt.show()

程序运行结果：

C=100.00
L1惩罚项得到的参数的稀疏性: 4.69%
L1惩罚项的模型性能: 0.9098
L2惩罚项得到的参数的稀疏性: 4.69%
L2惩罚项的模型性能: 0.9098
C=1.00
L1惩罚项得到的参数的稀疏性: 9.38%
L1惩罚项的模型性能: 0.9098
L2惩罚项得到的参数的稀疏性: 4.69%
L2惩罚项的模型性能: 0.9093
C=0.01
L1惩罚项得到的参数的稀疏性: 85.94%
L1惩罚项的模型性能: 0.8614
L2惩罚项得到的参数的稀疏性: 4.69%
L2惩罚项的模型性能: 0.8915

由上面的运行结果可以看出，随着C的不断减小，L1惩罚项带来的参数的稀疏性越来越大，而L2惩罚项的参数的稀疏性并没有特别大的改变。所以，在之前的Lasso Regression中也提到过，可以使用L1正则化来进行特征选择。关于L1和L2正则化带来的结果上的稀疏性的区别，在RPML中是这么解释的：下面左边是L2正则化，右边是L1正则化，可以看出由于L1正则化的最小点或者说是最优解，一般会直接走到坐标轴上，这样其他坐标轴的数值就直接为0了，而那些为0 的坐标轴对应的就是不重要的特征，比如下图右边图中的 w1 $w_1$；右图中 的$w_2$就是重要的特征。而L2正则化由于其解的约束空间是一个圆形，所以最优解很难落到坐标轴上，所以其并不用于做特征选择。