1.逻辑回归(Logistic Regression)

GitHub地址(案例代码加数据)

1.1逻辑回归与线性回归的关系

逻辑回归是用来做分类算法的,大家都熟悉线性回归,一般形式是Y=aX+b,y的取值范围是[-∞, +∞],有这么多取值,怎么进行分类呢?不用担心,伟大的数学家已经为我们找到了一个方法。

首先我们先来看一个函数,这个函数叫做Sigmoid函数:

image

函数中t无论取什么值,其结果都在[0,-1]的区间内,回想一下,一个分类问题就有两种答案,一种是“是”,一种是“否”,那0对应着“否”,1对应着“是”,那又有人问了,你这不是[0,1]的区间吗,怎么会只有0和1呢?这个问题问得好,我们假设分类的阈值是0.5,那么超过0.5的归为1分类,低于0.5的归为0分类,阈值是可以自己设定的。

好了,接下来我们把aX+b带入t中就得到了我们的逻辑回归的一般模型方程:

image

结果P也可以理解为概率,换句话说概率大于0.5的属于1分类,概率小于0.5的属于0分类,这就达到了分类的目的。

1.2损失函数

逻辑回归的损失函数跟其它的不同,先一睹尊容:

image

解释一下,当真实值为1分类时,用第一个方程来表示损失函数;当真实值为0分类时,用第二个方程来表示损失函数,为什么要加上log函数呢?可以试想一下,当真实样本为1是,但h=0概率,那么log0=∞,这就对模型最大的惩罚力度;当h=1时,那么log1=0,相当于没有惩罚,也就是没有损失,达到最优结果。所以数学家就想出了用log函数来表示损失函数,把上述两式合并起来就是如下函数,并加上正则化项:

image

最后按照梯度下降法一样,求解极小值点,得到想要的模型效果。

1.3多分类问题(one vs rest)

其实我们可以从二分类问题过度到多分类问题,思路步骤如下:

1.将类型class1看作正样本,其他类型全部看作负样本,然后我们就可以得到样本标记类型为该类型的概率p1。

2.然后再将另外类型class2看作正样本,其他类型全部看作负样本,同理得到p2。

3.以此循环,我们可以得到该待预测样本的标记类型分别为类型class i时的概率pi,最后我们取pi中最大的那个概率对应的样本标记类型作为我们的待预测样本类型。

image

总之还是以二分类来依次划分,并求出概率结果。

1.4逻辑回归(LR)的一些经验

  • 模型本身并没有好坏之分。

  • LR能以概率的形式输出结果,而非只是0,1判定。

  • LR的可解释性强,可控度高(你要给老板讲的嘛…)。

  • 训练快,feature engineering之后效果赞。

  • 因为结果是概率,可以做ranking model。

1.5LR的应用

  • CTR预估/推荐系统的learning to rank/各种分类场景。

  • 某搜索引擎厂的广告CTR预估基线版是LR。

  • 某电商搜索排序/广告CTR预估基线版是LR。

  • 某电商的购物搭配推荐用了大量LR。

  • 某现在一天广告赚1000w+的新闻app排序基线是LR。

1.6Python代码实现

GitHub地址(代码加数据)

寻觅互联网,少有机器学习通俗易懂之算法讲解、案例等,项目立于这一问题之上,整理一份基本算法讲解+案例于文档,供大家学习之。通俗易懂之文章亦不可以面概全,但凡有不正确或争议之处,望告知,自当不吝赐教!
.
.
.
.

image

欢迎添加微信交流!请备注“机器学习”。

内容来源于网络如有侵权请私信删除
你还没有登录,请先登录注册
  • 还没有人评论,欢迎说说您的想法!