简介

Logistic回归是机器学习中最常用最经典的分类方法之一，有的人称为逻辑回归或逻辑斯蒂回归。虽然它称为回归模型，但是却处理的是分类问题，这主要是因为它的本质是一个线性模型加上一个映射函数sigmoid，将线性模型得到的连续结果映射到离散型上。它常用于二分类问题，在多分类问题的推广叫做softmax。

注：以下图片或者公式取自不同地方，所以符号有所不同，我会在每个公式或图片下说明不同符号代表的意思。

Logisitc回归

由于Logistic回归是将线性模型的输出θx+b经过f(z)数处理后，映射到离散值上形成分类问题，所以我们可以假设分类值y={0，1}，所以Logistic回归模型可以写成：h(x)=f(θx+b) ，也就是当θx+b的值大于0时h(x)=+1，当θx+b的值小于0时h(x)=-1。但是这样的f(z)函数称为单位阶跃函数，但是它的数学性质不好，不连续也不方便求导，所以我们使用它的替代函数sigmoid函数也叫s型函数，我们用g(x)表示。这样线性模型的输出经过sigmoid的映射就变成了求出样本属于哪一类别的概率，即θx+b大于0的话，那么样本属于分类1的概率大一点，如果θx+b小于0的话就是样本属于1的概率小属于类别0的概率大一些。图1是单位阶跃函数（红线）与sigmoid函数（黑线）。

图1

sigmoid的函数表达式为：

图2

其中z在Logistic回归中就是θx+b。那么为什么要用sigmoid函数呢？

sigmoid函数

从概率的角度看Logistic回归，如果将样本分为正类的概率看成h(x)，那么分为负类的概率就是1-h(x)，则Logistic回归模型的概率表达式符合0-1分布：

图3

对上式结合就是Logistic回归的概率分布函数，也就是从概率角度的目标函数：

图4

我们对该式进行变换，可以得到指数族分布，最后可以得出函数h(x)就是sigmoid函数。以下是推导过程：

图5

其中图5中的p是图4中的h(x)，而图5的z是线性模型的输出θx+b。这样从指数族分布就可以推出sigmoid函数。换一个思路，我们将一个事件发生的概率p与其不发生的概率1-p的比值叫做几率，对其取对数后称为对数几率（logit）：

图6

令它等于线性函数θx+b，最后也可以推出p就是sigmoid函数，也就是图5的后半段，这样说明了sigmoid函数的值是概率值。另外，如果我们不让对数几率函数等于线性函数，让他等于其他的函数呢？这也是可以的，只不过是sigmoid函数中z的表达方式改变而已。

求解Logistic回归模型参数

我们重新整理一下Logistic回归的目标函数，他的最终形式为：

图7

因为这是一个概率问题，所以我们可以使用极大似然估计的方式求解Logistic回归的参数θ。以下是求导过程：

图8

其中g()函数是sigmoid函数，它的导数为：

图9

这样图8得到的结果就是关于θ的梯度，我们通过梯度提升算法（因为目标函数是最大似然估计，求极大值所以用梯度上升，如果想用梯度下降，可以对似然函数取负就是求极小值）更新θ，最后就求出Logistic回归模型的参数θ，这与线性回归方法相同（有没有发现他们的更新梯度的目标函数也相同）。

图10

以上就是Logistic回归模型的建立与参数估计过程，下面我们要说一下他在多分类问题中的推广----softmax回归。

softmax

softmax与Logistic回归的主要区别就是，Logistic处理二分类问题，只有一组权重参数θ。而softmax处理多分类问题，如果有k个类别，那么softmax就有k组权值参数。每组权值对应一种分类，通过k组权值求解出样本数据对应每个类别的概率，最后取概率最大的类别作为该数据的分类结果。它的概率函数为：

图11

softmax经常用于神经网络的最后一层，用于对神经网络已经处理好的特征进行分类。

个人实现了一个二分类的逻辑回归，并与sklearn中的logistic回归做对比：

图12

数据只使用了鸢尾花数据的0/1两个类别，由于本代码实现的比较简单，只能处理类别为0/1的数据，有兴趣的朋友可以自己做补充，本代码只做参考。

详细代码可参考Github:代码链接

参考书籍:

《机器学习》 周志华  著

《统计学习方法》 李航  著