Logistic Regression
背景
之前写到了Linear Regression是为了解决线性的问题，例如预测房价等，结果是连续的值，而现实生活中还存在一些离散的计算，例如最简单的二分类，结果往往用两个离散的值来表示。这时，就要引入Logistic Regression来解决此类问题
Sigmoid函数
也称Logistic函数，它的公式是
\[\sigma(z)=\frac{1}{1+e^{-z}}
\]
函数图像如下，可以很明显的看到，在z无穷小处，其值为0，无穷大处，其值为1，所以利用其特性可以用来做二分类问题，即通过Sigmoid，将结果转化成趋近于0或趋近于1的值
其函数的导数为：
\[\sigma‘(z)=\frac{e^{-z}}{(1+e^{-z})^2}=\sigma(z)(1-\sigma(z))
\]
方便计算
数学推导
和之前的Linear Regression不同的是，引入非线性的函数
\[y=\frac{1}{1+e^{-(h_\theta(x))}}=\frac{1}{1+e^{-(\omega^Tx+b)}}
\]
上述式子可以写成另外一种形式：
\[ln(\frac{y}{1-y})=h_\theta(x)=\omega^Tx+b
\]
由于使用了Sigmoid函数，所以结果输出在0~1之间，所以原先的均方误差损失函数不能够更好的满足需求，这里引入了交叉熵损失函数
\[\begin{align}
J(\theta)=\frac{1}{m}\sum_{i=1}^{m}(y_ilog(h_\theta(x_i))+(1-y_i)log(1-h_\theta(x_i)))\J(\omega,b)=\frac{1}{m}\sum_{i=1}^{m}(y_ilog(\omega^TX_i+b)+(1-y_i)log(1-\omega^TX_i-b))
\end{align}
\]
式子中的m是样本参与计算的样本数量
交叉熵损失函数为什么具有更好的效果呢，以下就来分析一下，可以看到，当结果\(y_i\)为1时，可以看到损失值为\(-\ln(y_i-\hat{y})\)，反之为0时，损失值为\(-\ln(1-(\hat{y}-y_i))\)，从图像上可以看到：
通过交叉熵损失函数，可以更好的处理0~1之间的损失值。
这里慢慢理解一下
下一步是是最小化损失函数，和Linear Regression一样，求导，这里运用链式求导法则：
\[\begin{align*}
\frac{\partial J(\theta)}{\partial \theta_j}
&=\frac{\partial}{\partial \theta_j}[-\frac{1}{m}\sum_{i=1}^{m}[y_i\log(h_\theta(x_i))+(1-y_i)\log{(1-h_\theta(x_i)})]]&=-\frac{1}{m}\sum_{i=1}^{m}[y_i\frac{1}{h_\theta(x_i)}\frac{\partial}{\partial \theta_j}h_\theta(x_i)-(1-y_i)\frac{1}{1-h_\theta(x_i)}\frac{\partial}{\partial \theta_j}h_\theta(x_i)]&=-\frac{1}{m}\sum_{i=1}^{m}[y_i\frac{1}{h_\theta(x_i)}-(1-y_i)\frac{1}{1-h_\theta(x_i)}]\frac{\partial}{\partial \theta_j}h_\theta(x_i)&=-\frac{1}{m}\sum_{i=1}^{m}[y_i\frac{1}{h_\theta(x_i)}-(1-y_i)\frac{1}{1-h_\theta(x_i)}]\frac{\partial}{\partial \theta_j}g(\theta^Tx_i)
\end{align*}
\]
\[\begin{align}
\frac{\partial}{\partial \theta_j}g(\theta^Tx_i)
&=\frac{\partial}{\partial \theta_j}\frac{1}{1+e^{-\theta^Tx_i}}&=\frac{e^{-\theta^Tx_i}}{1+e^{-\theta^Tx_i}}\frac{\partial}{\partial \theta_j}\theta^Tx_i &=g(\theta^Tx_i)(1-g(\theta^Tx_i))\frac{\partial}{\partial \theta_j}(\theta^Tx_i)
\end{align}
\]
\[\begin{align*}
\frac{\partial J(\theta)}{\partial \theta_j}
&=-\frac{1}{m}\sum_{i=1}^{m}[y_i(1-g(\theta^Tx_i))-(1-y_i)g(\theta^Tx_i)]\frac{\partial}{\partial \theta_j}(\theta^Tx_i) &=-\frac{1}{m}\sum_{i=1}^{m}(y_i-g(\theta^Tx_i))\frac{\partial}{\partial \theta_j}(\theta^Tx_i) &=\frac{1}{m}\sum_{i=1}^{m}(h_\theta(x_i)-y_i)\frac{\partial}{\partial \theta_j}(\theta^Tx_i) \\end{align*}
\]
有趣的是，最后的结果竟然和Linear Regression的均方误差损失函数求导结果一样！
以上就是Logistic Regression的大致概括
Reference
逻辑回归（Logistic Regression）（一）
逻辑回归（Logistic Regression）（二）
Logistic Regression
原文：https://www.cnblogs.com/JoshuaYu/p/15092309.html
