红色石头的个人博客上一节课，我们介绍了Linear Regression线性回归，以及用平方错误来寻找最佳的权重向量w，获得最好的线性预测。本节课将介绍Logistic Regression逻辑回归问题。
一、Logistic Regression Problem
一个心脏病预测的问题：根据患者的年龄、血压、体重等信息，来预测患者是否会有心脏病。很明显这是一个二分类问题，其输出y只有{-1,1}两种情况。
二元分类，一般情况下，理想的目标函数f(x)>0.5，则判断为正类1；若f(x)<0.5，则判断为负类-1。
但是，如果我们想知道的不是患者有没有心脏病，而是到底患者有多大的几率是心脏病。这表示，我们更关心的是目标函数的值（分布在0,1之间），表示是正类的概率（正类表示是心脏病）。这跟我们原来讨论的二分类问题不太一样，我们把这个问题称为软性二分类问题（’soft’ binary classification）。这个值越接近1，表示正类的可能性越大；越接近0，表示负类的可能性越大。
对于软性二分类问题，理想的数据是分布在[0,1]之间的具体值，但是实际中的数据只可能是0或者1，我们可以把实际中的数据看成是理想数据加上了噪声的影响。
如果目标函数是f(x)=P(+1|x)\in[0,1]的话，我们如何找到一个好的Hypothesis跟这个目标函数很接近呢？
首先，根据我们之前的做法，对所有的特征值进行加权处理。计算的结果s，我们称之为’risk score’：
但是特征加权和s\in(-\infty,+\infty)，如何将s值限定在[0,1]之间呢？一个方法是使用sigmoid Function，记为\theta(s)。那么我们的目标就是找到一个hypothesis：
h(x)=\theta(w^Tx)。
二、Logistic Regression Error
现在我们将Logistic Regression与之前讲的Linear Classification、Linear Regression做个比较：
这三个线性模型都会用到线性scoring function s=w^Tx。linear classification的误差使用的是0/1 err；linear regression的误差使用的是squared err。那么logistic regression的误差该如何定义呢？
先介绍一下“似然性”的概念。目标函数f(x)=P(+1|x)，如果我们找到了hypothesis很接近target function。也就是说，在所有的Hypothesis集合中找到一个hypothesis与target function最接近，能产生同样的数据集D，包含y输出label，则称这个hypothesis是最大似然likelihood。
如果将w代入的话：
为了把连乘问题简化计算，我们可以引入ln操作，让连乘转化为连加：
接着，我们将maximize问题转化为minimize问题，添加一个负号就行，并引入平均数操作\frac1N：
将logistic function的表达式带入，那么minimize问题就会转化为如下形式：
至此，我们得到了logistic regression的err function，称之为cross-entropy error交叉熵误差：
三、Gradient of Logistic Regression Error
我们已经推导了E_{in}的表达式，那接下来的问题就是如何找到合适的向量w，让E_{in}最小。
Logistic Regression的E_{in}是连续、可微、二次可微的凸曲线（开口向上），根据之前Linear Regression的思路，我们只要计算E_{in}的梯度为零时的w，即为最优解。
对E_{in}计算梯度，学过微积分的都应该很容易计算出来：
最终得到的梯度表达式为：
为了计算E_{in}最小值，我们就要找到让\nabla E_{in}(w)等于0的位置。
上式可以看成\theta(-y_nw^Tx_n)是-y_nx_n的线性加权。要求\theta(-y_nw^Tx_n)与-y_nx_n的线性加权和为0，那么一种情况是线性可分，如果所有的权重\theta(-y_nw^Tx_n)为0，那就能保证\nabla E_{in}(w)为0。\theta(-y_nw^Tx_n)是sigmoid function，根据其特性，只要让-y_nw^Tx_n≪0 ，即y_nw^Tx_n≫0 。y_nw^Tx_n≫0 表示对于所有的点，y_n与w^Tx_n都是同号的，这表示数据集D必须是全部线性可分的才能成立。
然而，保证所有的权重\theta(-y_nw^Tx_n)为0是不太现实的，总有不等于0的时候，那么另一种常见的情况是非线性可分，只能通过使加权和为零，来求解w。这种情况没有closed-form解，与Linear Regression不同，只能用迭代方法求解。
之前所说的Linear Regression有closed-form解，可以说是“一步登天”的；但是PLA算法是一步一步修正迭代进行的，每次对错误点进行修正，不断更新w值。PLA的迭代优化过程表示如下：
w每次更新包含两个内容：一个是每次更新的方向y_nx_n，用v表示，另一个是每次更新的步长\eta。参数(v,\eta)和终止条件决定了我们的迭代优化算法。
四、Gradient Descent
根据上一小节PLA的思想，迭代优化让每次w都有更新：
我们把E_{in}(w)曲线看做是一个山谷的话，要求E_{in}(w)最小，即可比作下山的过程。整个下山过程由两个因素影响：一个是下山的单位方向v；另外一个是下山的步长\eta。
利用微分思想和线性近似，假设每次下山我们只前进一小步，即\eta很小，那么根据泰勒Taylor一阶展开，可以得到：
E_{in}(w_t+\eta v)\approx E_{in}(w_t)+\eta v^T\nabla E_{in}(w_t)
关于Taylor展开的介绍，可参考我另一篇博客：
迭代的目的是让E_{in}越来越小，即让E_{in}(w_t+\eta v)\le E_{in}(w_t)。\eta是标量，因为如果两个向量方向相反的话，那么他们的内积最小（为负），也就是说如果方向v与梯度\nabla E_{in}(w_t)反向的话，那么就能保证每次迭代E_{in}(w_t+\eta v)\le E_{in}(w_t)都成立。则，我们令下降方向v为：
v=-\frac{\nabla E_{in}(w_t)}{||\nabla E_{in}(w_t)||}
v是单位向量，v每次都是沿着梯度的反方向走，这种方法称为梯度下降（gradient descent）算法。那么每次迭代公式就可以写成：
w_{t+1}\leftarrow w_t-\eta\frac{\nabla E_{in}(w_t)}{||\nabla E_{in}(w_t)||}
下面讨论一下\eta的大小对迭代优化的影响：\eta如果太小的话，那么下降的速度就会很慢；\eta如果太大的话，那么之前利用Taylor展开的方法就不准了，造成下降很不稳定，甚至会上升。因此，\eta应该选择合适的值，一种方法是在梯度较小的时候，选择小的\eta，梯度较大的时候，选择大的\eta，即\eta正比于||\nabla E_{in}(w_t)||。这样保证了能够快速、稳定地得到最小值E_{in}(w)。
对学习速率\eta做个更修正，梯度下降算法的迭代公式可以写成：
w_{t+1}\leftarrow w_t-\eta’\nabla E_{in}(w_t)
其中：
\eta’=\frac{\eta}{||\nabla E_{in}(w_t)||}
总结一下基于梯度下降的Logistic Regression算法步骤如下：
- 初始化w_0
-
计算梯度\nabla E_{in}(w_t)=\frac1N\sum_{n=1}^N\theta(-y_nw_t^Tx_n)(-y_nx_n)
-
迭代跟新w_{t+1}\leftarrow w_t-\eta\nabla E_{in}(w_t)
-
满足\nabla E_{in}(w_{t+1})\approx0或者达到迭代次数，迭代结束
五、总结
我们今天介绍了Logistic Regression。首先，从逻辑回归的问题出发，将P(+1|x)作为目标函数，将\theta(w^Tx)作为hypothesis。接着，我们定义了logistic regression的err function，称之为cross-entropy error交叉熵误差。然后，我们计算logistic regression error的梯度，最后，通过梯度下降算法，计算\nabla E_{in}(w_t)\approx0时对应的w_t值。
注明：
文章中所有的图片均来自台湾大学林轩田《机器学习基石》课程
更多AI资源请关注公众号：AI有道（ID：redstonewill）
未经允许不得转载：红色石头的个人博客 » 林轩田机器学习基石课程学习笔记10 — Logistic Regression
