app开发者平台在数字化时代的重要性与发展趋势解析
565
2022-09-08
李宏毅机器学习——逻辑回归
逻辑回归
第一步先选择函数集
步骤一:函数集
图形化表示如下:
这个就是逻辑回归,我们与线性回归做一个比较。
因为Sigmoid函数的取值范围是0到1,因此逻辑回归的输出也是0到1;而线性回归的输出可以是任何值。
接下来判断函数的好坏
步骤2: 函数有多好
取对数的好处是使得相乘变成相加:
但是这个式子不好写个SUM的形式,因此需要做符号转换
所以在逻辑回归中,定义一个函数的好坏就通过两个类别分布的交叉熵之和:
我们需要最小化这个交叉熵,也就是希望函数的输出和目标函数的输出越接近越好。
步骤3:找到最好的函数
计算该式对w中某个特征的微分。
一项一项来求,左项可以写成
而右项
也就是
所以
得到的式子很简单。如果用梯度下降算法来更新它的话,可以写成:
接下来比较下逻辑回归和线性回归更新时的式子:
生成模型VS判别模型
我们上面讨论的逻辑回归是判别模型(Discriminative),用高斯分布描述的概率分布模型是生成模型(Generative)。
根据同一组训练数据,同样的函数集,上面两种模型会得到不同的函数。
如果用上所有的特征,判别模型的准确率更好。
假设有一个非常简单的二元分类问题,每个数据都有两个特征。
Class1我们只有一份数据,它的两个特征都是1;Class2有12份数据,如上。
如果给一份测试数据,它的两个特征都是1:
那么它属于哪个类别的概率大呢?
接下来计算这个测试数据属于类别1的几率
多分类问题
多分类问题是指类别超过2个的分类问题。
假设输入是3,1,-3
首先取e的指数,得到20,2.7,0.05 再把这些数加起来得到22.75,输出就是根据e的指数除以这个加起来的总数。
逻辑回归的限制
逻辑回归其实有很大的限制的,以一个简单的二分类问题来举例。
把这四个样本画到二维坐标上是下面这个样子,蓝色的点是类别2;红色的点是类别1。
不管怎么画,都无法画出满足条件的直线。
那么怎么办呢,还是有办法的,可以做特征转换。把蓝色点和红点转换成一条直线的两边。
然后就可以画一条线将红蓝点分开。
但是特征转换并不总是那么的有用,因为这需要领域知识,要知道该怎么转换。
其实特征转换可以看很多个逻辑回归模型叠加的结果。
我们继续用刚才讲的例子来说明。
我们可以把逻辑回归串接起来,一部分做特征转换,最后用一个做真正的分类。
那么问题来了,如何找到这些逻辑回归模型的参数呢?
这些逻辑回归的参数可以一起学习到的,只要告诉输入和输出,就可以一次把所有的逻辑回归的参数学习出来。
我们把上面每个逻辑回归模型叫做神经元,每个神经元串接起来后叫做神经网络,这就是深度学习
版权声明:本文内容由网络用户投稿,版权归原作者所有,本站不拥有其著作权,亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容,请联系我们jiasou666@gmail.com 处理,核实后本网站将在24小时内删除侵权内容。
发表评论
暂时没有评论,来抢沙发吧~