1 原理

1.1 引入

首先，在引入LR(Logistic Regression)模型之前，非常重要的一個概念是，該模型在設(shè)計之初是用來解決0/1二分類問題，雖然它的名字中有回歸二字，但只是在其線性部分隱含地做了一個回歸，最終目標(biāo)還是以解決分類問題為主。

為了較好地掌握 logistic regression 模型，有必要先了解 線性回歸模型 和 梯度下降法 兩個部分的內(nèi)容，可參考以下兩篇文章：

線性回歸 —— Liner Regression

梯度下降法 —— 經(jīng)典的優(yōu)化方法

先回想一下線性回歸，線性回歸模型幫助我們用最簡單的線性方程實(shí)現(xiàn)了對數(shù)據(jù)的擬合，然而，這只能完成回歸任務(wù)，無法完成分類任務(wù)，那么 logistics regression 就是在線性回歸的基礎(chǔ)上添磚加瓦，構(gòu)建出了一種分類模型。

如果在線性模型 ( ) 的基礎(chǔ)上做分類，比如二分類任務(wù)，即，直覺上我們會怎么做？最直觀的，可以將線性模型的輸出值再套上一個函數(shù) ，最簡單的就是“單位階躍函數(shù)”(unit-step function)，如下圖中紅色線段所示。

也就是把 看作為一個分割線，大于 z 的判定為類別0，小于 z 的判定為類別1。

但是，這樣的分段函數(shù)數(shù)學(xué)性質(zhì)不太好，它既不連續(xù)也不可微。我們知道，通常在做優(yōu)化任務(wù)時，目標(biāo)函數(shù)最好是連續(xù)可微的。那么如何改進(jìn)呢？

這里就用到了對數(shù)幾率函數(shù) (形狀如圖中黑色曲線所示)：

單位階躍函數(shù)與對數(shù)幾率函數(shù)（來源于周志華《機(jī)器學(xué)習(xí)》）

它是一種“Sigmoid”函數(shù)，Sigmoid 函數(shù)這個名詞是表示形式S形的函數(shù)，對數(shù)幾率函數(shù)就是其中最重要的代表。這個函數(shù)相比前面的分段函數(shù)，具有非常好的數(shù)學(xué)性質(zhì)，其主要優(yōu)勢如下：

使用該函數(shù)做分類問題時，不僅可以預(yù)測出類別，還能夠得到近似概率預(yù)測。這點(diǎn)對很多需要利用概率輔助決策的任務(wù)很有用。

對數(shù)幾率函數(shù)是任意階可導(dǎo)函數(shù)，它有著很好的數(shù)學(xué)性質(zhì)，很多數(shù)值優(yōu)化算法都可以直接用于求取最優(yōu)解。

總的來說，模型的完全形式如下：

其實(shí)，LR 模型就是在擬合

1.2 損失函數(shù)

對于任何機(jī)器學(xué)習(xí)問題，都需要先明確損失函數(shù)，LR模型也不例外，在遇到回歸問題時，通常我們會直接想到如下的損失函數(shù)形式 (平均誤差平方損失 MSE)：

但在 LR 模型要解決的二分類問題中，損失函數(shù)式什么樣的呢？先給出這個損失函數(shù)的形式，可以看一看思考一下，然后再做解釋。

這個損失函數(shù)通常稱作為 對數(shù)損失 (logloss)，這里的對數(shù)底為自然對數(shù) e ，其中真實(shí)值 y是有 0/1 兩種情況，而推測值 由于借助對數(shù)幾率函數(shù)，其輸出是介于0~1之間連續(xù)概率值。仔細(xì)查看，不難發(fā)現(xiàn)，當(dāng)真實(shí)值 y=0 時，第一項(xiàng)為0，當(dāng)真實(shí)值 y=1時，第二項(xiàng)為0，所以，這個損失函數(shù)其實(shí)在每次計算時永遠(yuǎn)都只有一項(xiàng)在發(fā)揮作用，那這不就可以轉(zhuǎn)換為分段函數(shù)了嗎，分段的形式如下：

不難發(fā)現(xiàn)，當(dāng)真實(shí)值 y 為1時，輸出值 越接近1，則 L 越小，當(dāng)真實(shí)值 y 為 0 時，輸出值 越接近于0，則 L 越小 (可自己手畫一下 函數(shù)的曲線)。該分段函數(shù)整合之后就是上面我們所列出的 logloss 損失函數(shù)的形式。

1.3 優(yōu)化求解

現(xiàn)在我們已經(jīng)確定了模型的損失函數(shù)，那么接下來就是根據(jù)這個損失函數(shù)，不斷優(yōu)化模型參數(shù)從而獲得擬合數(shù)據(jù)的最佳模型。

重新看一下?lián)p失函數(shù)，其本質(zhì)上是 L 關(guān)于模型中線性方程部分的兩個參數(shù) w 和 b 的函數(shù)：

其中，

現(xiàn)在的學(xué)習(xí)任務(wù)轉(zhuǎn)化為數(shù)學(xué)優(yōu)化的形式即為：

由于損失函數(shù)連續(xù)可微，我們就可以借助 梯度下降法 進(jìn)行優(yōu)化求解，對于連個核心參數(shù)的更新方式如下：

計算到這里，很有意思的事情發(fā)生了：

計算了半天原來變得如此簡單，就是推測值 和真實(shí)值 Y 之間的差值，其實(shí)這也是得益于對數(shù)幾率函數(shù)本身很好的數(shù)學(xué)性質(zhì)。

再接再厲，求得：

2 代碼實(shí)現(xiàn)

下面我們開始用 python 自己實(shí)現(xiàn)一個簡單的 LR 模型。

完整代碼可參考：[link]

首先，建立 logistic_regression.py 文件，構(gòu)建 LR 模型的類，內(nèi)部實(shí)現(xiàn)了其核心的優(yōu)化函數(shù)。

# -*- coding: utf-8 -*-import numpy as npclass LogisticRegression(object): def __init__(self, learning_rate=0.1, max_iter=100, seed=None): self.seed = seed self.lr = learning_rate self.max_iter = max_iter def fit(self, x, y): np.random.seed(self.seed) self.w = np.random.normal(loc=0.0, scale=1.0, size=x.shape[1]) self.b = np.random.normal(loc=0.0, scale=1.0) self.x = x self.y = y for i in range(self.max_iter): self._update_step() # print('loss: \t{}'.format(self.loss())) # print('score: \t{}'.format(self.score())) # print('w: \t{}'.format(self.w)) # print('b: \t{}'.format(self.b)) def _sigmoid(self, z): return 1.0 / (1.0 + np.exp(-z)) def _f(self, x, w, b): z = x.dot(w) + b return self._sigmoid(z) def predict_proba(self, x=None): if x is None: x = self.x y_pred = self._f(x, self.w, self.b) return y_pred def predict(self, x=None): if x is None: x = self.x y_pred_proba = self._f(x, self.w, self.b) y_pred = np.array([0 if y_pred_proba[i] < 0.5 else 1 for i in range(len(y_pred_proba))]) ? ? ? ?return y_pred ? ?def score(self, y_true=None, y_pred=None): ? ? ? ?if y_true is None or y_pred is None: ? ? ? ? ? ?y_true = self.y ? ? ? ? ? ?y_pred = self.predict() ? ? ? ?acc = np.mean([1 if y_true[i] == y_pred[i] else 0 for i in range(len(y_true))]) ? ? ? ?return acc ? ?def loss(self, y_true=None, y_pred_proba=None): ? ? ? ?if y_true is None or y_pred_proba is None: ? ? ? ? ? ?y_true = self.y ? ? ? ? ? ?y_pred_proba = self.predict_proba() ? ? ? ?return np.mean(-1.0 * (y_true * np.log(y_pred_proba) + (1.0 - y_true) * np.log(1.0 - y_pred_proba))) ? ?def _calc_gradient(self): ? ? ? ?y_pred = self.predict() ? ? ? ?d_w = (y_pred - self.y).dot(self.x) / len(self.y) ? ? ? ?d_b = np.mean(y_pred - self.y) ? ? ? ?return d_w, d_b ? ?def _update_step(self): ? ? ? ?d_w, d_b = self._calc_gradient() ? ? ? ?self.w = self.w - self.lr * d_w ? ? ? ?self.b = self.b - self.lr * d_b ? ? ? ?return self.w, self.b

然后，這里我們創(chuàng)建了一個 文件，單獨(dú)用于創(chuàng)建模擬數(shù)據(jù)，并且內(nèi)部實(shí)現(xiàn)了訓(xùn)練/測試數(shù)據(jù)的劃分功能。

# -*- coding: utf-8 -*-import numpy as npdef generate_data(seed): np.random.seed(seed) data_size_1 = 300 x1_1 = np.random.normal(loc=5.0, scale=1.0, size=data_size_1) x2_1 = np.random.normal(loc=4.0, scale=1.0, size=data_size_1) y_1 = [0 for _ in range(data_size_1)] data_size_2 = 400 x1_2 = np.random.normal(loc=10.0, scale=2.0, size=data_size_2) x2_2 = np.random.normal(loc=8.0, scale=2.0, size=data_size_2) y_2 = [1 for _ in range(data_size_2)] x1 = np.concatenate((x1_1, x1_2), axis=0) x2 = np.concatenate((x2_1, x2_2), axis=0) x = np.hstack((x1.reshape(-1,1), x2.reshape(-1,1))) y = np.concatenate((y_1, y_2), axis=0) data_size_all = data_size_1+data_size_2 shuffled_index = np.random.permutation(data_size_all) x = x[shuffled_index] y = y[shuffled_index] return x, ydef train_test_split(x, y): split_index = int(len(y)*0.7) x_train = x[:split_index] y_train = y[:split_index] x_test = x[split_index:] y_test = y[split_index:] return x_train, y_train, x_test, y_test

最后，創(chuàng)建 train.py 文件，調(diào)用之前自己寫的 LR 類模型實(shí)現(xiàn)分類任務(wù)，查看分類的精度。

# -*- coding: utf-8 -*-import numpy as npimport matplotlib.pyplot as pltimport data_helperfrom logistic_regression import *# data generationx, y = data_helper.generate_data(seed=272)x_train, y_train, x_test, y_test = data_helper.train_test_split(x, y)# visualize data# plt.scatter(x_train[:,0], x_train[:,1], c=y_train, marker='.')# plt.show()# plt.scatter(x_test[:,0], x_test[:,1], c=y_test, marker='.')# plt.show()# data normalizationx_train = (x_train - np.min(x_train, axis=0)) / (np.max(x_train, axis=0) - np.min(x_train, axis=0))x_test = (x_test - np.min(x_test, axis=0)) / (np.max(x_test, axis=0) - np.min(x_test, axis=0))# Logistic regression classifierclf = LogisticRegression(learning_rate=0.1, max_iter=500, seed=272)clf.fit(x_train, y_train)# plot the resultsplit_boundary_func = lambda x: (-clf.b - clf.w[0] * x) / clf.w[1]xx = np.arange(0.1, 0.6, 0.1)plt.scatter(x_train[:,0], x_train[:,1], c=y_train, marker='.')plt.plot(xx, split_boundary_func(xx), c='red')plt.show()# loss on test sety_test_pred = clf.predict(x_test)y_test_pred_proba = clf.predict_proba(x_test)print(clf.score(y_test, y_test_pred))print(clf.loss(y_test, y_test_pred_proba))# print(y_test_pred_proba)

輸出結(jié)果圖如下：

輸出的分類結(jié)果圖

紅色直線即為 LR 模型中的線性方程，所以本質(zhì)上 LR 在做的就是不斷擬合這條紅色的分割邊界使得邊界兩側(cè)的類別正確率盡可能高。因此，LR 其實(shí)是一種線性分類器，對于輸入數(shù)據(jù)的分布為非線性復(fù)雜情況時，往往需要我們采用更復(fù)雜的模型，或者繼續(xù)在特征工程上做文章。