LR模型是什么？LR模型详解 世界速看

目录

1、逻辑回归

2、算法推导

(资料图片)

3、逻辑参数估计

3.1、使用极大似然法进行参数估计

3.2、逻辑回归的损失函数

4、逻辑回归的梯度下降

5、多分类逻辑回归

6、逻辑回归的欠、过拟合

6.1、解决过拟合和欠拟合问题

6.2、LR 正则化

6.2.1、L1正则化

6.2.2、 L2 正则化

6.3 、L1正则化和L2正则化的区别

7、LR与最大熵模型的关系

8、逻辑回归的优缺点

9、逻辑回归面对线性不可分数据

10、逻辑回归通常稀疏的原因

11、逻辑回归和线性回归的异同

1、逻辑回归

2、算法推导

对数几率函数：是一种Sigmoid函数，通过此函数来输出类别概率。

对数几率函数为：  ，其中y  代表的是样本视为正样本的可能性，则 1-y 为视为负样本的可能性。

对数几率：定义为 ,其中 y/(1-y) 称为比率。

决策边界：作用在 n 维空间，将不同样本分开的平面或曲面，在逻辑回归中，决策边界对应$ wx+b=0 。

3、逻辑参数估计

3.1、使用极大似然法进行参数估计

现学习目标是对参数 w 和b 进行参数估计，使得逻辑回归模型能尽可能符合数据集分布。

现在，即对对数似然函数求极大值，即以对数似然函数为目标的最优化问题。 L(w) 是关于 w 的高阶连续可导凸函数，根据凸优化理论，可采用梯度下降法，牛顿法等优化方法求解。

3.2、逻辑回归的损失函数

4、逻辑回归的梯度下降

5、多分类逻辑回归

假设：离散型随机变量 y 的取值集合是 {1,2,...K} ，共有 k 类，则多分类逻辑回归模型的输出概率为：

其中，注意  p(y=k|x)是一个取 1 到  k-1类其中一类， K 是指第 K 类， p(y=K|x) 便是由1减去其他k取值的概率就是第K类的概率。

二阶逻辑回归的参数估计法也可推广到多项逻辑回归。

6、逻辑回归的欠、过拟合

6.1、解决过拟合和欠拟合问题

解决LR回归欠拟合：

增加特征的维度

解决LR的过拟合：

减少特征的数量，可人工特征选择，也可降维等模型算法选择正则化(加入 L1,L2 罚项)逐渐减小梯度下降学习率

6.2、LR 正则化

6.2.1、L1正则化

LASSO 回归，相当于为模型添加了这样一个先验知识：w服从零均值拉普拉斯分布。

拉普拉斯分布：

等价于原始的cross−entropy后面加上了L1正则，因此L1正则的本质其实是为模型增加了“模型参数服从零均值拉普拉斯分布”这一先验知识。

6.2.2、 L2 正则化

Ridge 回归，相当于为模型添加了这样一个先验知识：w服从零均值正态分布。

等价于原始的cross−entropy后面加上了L2正则，因此L2正则的本质其实是为模型增加了“模型参数服从零均值正态分布”这一先验知识。

6.3 、L1正则化和L2正则化的区别

如上面所讲，两者引入的关于模型参数的先验知识不一样。L1偏向于使模型参数变得稀疏（但实际上并不那么容易），L2偏向于使模型每一个参数都很小，但是更加稠密，从而防止过拟合。

L1偏向于稀疏，L2偏向于稠密，看下面两张图，每一个圆表示loss的等高线，即在该圆上loss都是相同的，可以看到L1更容易在坐标轴上达到，而L2则容易在象限里达到。

L1                                                                                   L2

7、LR与最大熵模型的关系

将最大熵模型写成约束问题：

8、逻辑回归的优缺点

LR优点：

直接对分类的可能性建模，无需事先假设数据分布，避免了假设分布不准确带来的问题不仅预测出类别，还可得到近似概率预测对率函数是任意阶可导凸函数，有很好得数学性质，很多数值优化算法可直接用于求取最优解容易使用和解释，计算代价低LR对时间和内存需求上相当高效可应用于分布式数据，并且还有在线算法实现，用较小资源处理较大数据对数据中小噪声鲁棒性很好，并且不会受到轻微多重共线性影响因为结果是概率，可用作排序模型

LR缺点：

容易欠拟合，分类精度不高数据特征有缺失或特征空间很大时效果不好

9、逻辑回归面对线性不可分数据

逻辑回归本质上是一个线性模型，可通过:

利用特殊核函数,对特征进行变换把低维空间转换到高维空间，使用组合特征映射(如多项式特征)。但组合特征泛化能力较弱扩展LR算法，提出FM算法

10、逻辑回归通常稀疏的原因

分类特征通常采用one-hot转换成数值特征，产生大量稀疏一般很少直接将连续值作为逻辑回归模型输入，而是将连续特征离散化

LR一般需要连续特征离散化原因

离散特征的增加和减少都很容易，易于模型快速迭代稀疏向量内积乘法速廈快，计算结果方便存储，容易扩展离散化的特征对异常数据有很强的鲁棒性(比如年龄为300异常值可归为年龄>30这一段逻辑回归属于广义线性模型，表达能力受限。单变量离散化为N个后，每个变量有单独的权重，相当于对模型引入了非线性，能够提升模型表达能力，加大拟合离散化进行特征交叉，由 M+N 个变量为 M*N 个变量(将单个特征分成 M 个取值)，进一步引入非线性，提升表达能力特征离散化后，模型会更稳定(比如对用户年龄离散化，20-30作为一个区间，不会因为用户年龄，增加一岁变成完全不同的人，但区间相邻处样本会相反，所以怎样划分区间很重要)特征离散化后，简化了LR模型作用，降低模型过拟合风险

11、逻辑回归和线性回归的异同

相同之处：

都使用了极大似然估计来对样本建模。线性回归使用最小二乘法，实际上就是在自变量 x 和参数 w 确定，因变量 y 服从正态分布的假设下，使用最大似然估计的一个化简。逻辑回归通过对似然函数的学习，得到最佳参数 w二者在求解参数的过程中，都可以使用梯度下降的方法

不同之处：

逻辑回归处理的是分类问题，线性回归处理的是回归问题逻辑回归中因变量取值是一个二元分布，模型学习得出的是 E[y|x,w] ，即给定自变量和参数后，得到因变量的期望。而线性回归实际上求解的是 y=wx ，是对假设的真实关系 y=wx+e 的一个近似，其中e 是误差项逻辑回归中因变量是离散的，线性回归中的因变量是连续的。并在自变量与参数 w 确定情况下，逻辑回归可以看作广义线性模型在因变量 y 服从二元分布时一个特殊情况，而使用最小二乘法求解线性回归时，我们认为因变量 y 服从正态分布

参考网址：

https://blog.csdn.net/songbinxu/article/details/79633790 （较深入的逻辑回归介绍）

https://zhuanlan.zhihu.com/p/56900935 （较基础的逻辑回归介绍）