【2008nmj】Logistic回归二元分类感知器算法.docx

给你一堆样本数据(xi,yi),并标上标签[0,1],让你建立模型(分类感知器二元),对于新给的测试数据进行分类。

【2008nmj】Logistic回归二元分类感知器算法.docx

要将两种数据分开,这是一个分类问题,建立数学模型,(x,y,z),z指示[0,1],那么假设模型是线性的,如下图所示。有一道线ax+b=y

【2008nmj】Logistic回归二元分类感知器算法.docx

那么左右两边数据实际上并不等量,那么这时最小二乘并不好用,因为它没有考虑到可能性的大小等因素。那么用最小二乘建模的比较粗糙。(并没有用到标签数据……?用到了。)而感知器又比较粗暴简单的分为0、1两种情况。实际上属于0的可能性和属于1的可能性都是有可能的,只是大或小而已。因此用Logistic回归建模的方法是最好的?(也许还有神经网络、遗传算法、灰度模型等模型)

x1(x)

x2(y)

z(z)标签

7

31

0

12

22

0

13

42.5

0

15

34

0

18

9

0

22.5

35

0

23

44.5

0

25

25

0

25

34

0

25

54.5

0

32

19

0

34

45

0

36

37

0

36

36

0

45

51

0

40

42

1

48

9

1

48

24

1

54

16

1

56

6

1

56

38

1

61

30.5

1

64.5

23

1

69

13

1

74

40

1

76

4

1

由标签可知这是监督分类。

设每个样本为0和为1的可能性符合sigmoid分布。

设模型x=w0+w1x1+w2x2

按sigmoid函数的形式求出:

【2008nmj】Logistic回归二元分类感知器算法.docx

由于sigmoid函数的定义域为(-∞,∞),值域为(0,1),因此最基本的LR分类器适合对两类目标进行分类。

所以Logistic回归最关键的问题就是研究如何求得w0,w1,…,wn这组权值。这个问题是用极大似然估计来做到。

怎样分类效果最好呢?

下面正式地来讲Logistic回归模型。

考虑具有2个独立变量的向量x=(x1,x2),设条件概率

P(y=1|x)=p为根据观测量相对于某事件x发生的概率。那么Logistic回归模型可以表示为

【2008nmj】Logistic回归二元分类感知器算法.docx

这里【2008nmj】Logistic回归二元分类感知器算法.docx称为Logistic函数。其中【2008nmj】Logistic回归二元分类感知器算法.docx

那么在x条件下y不发生的概率为

【2008nmj】Logistic回归二元分类感知器算法.docx

所以事件发生与不发生的概率之比为

【2008nmj】Logistic回归二元分类感知器算法.docx

这个比值称为事件的发生比(the odds of experiencing an event),简记为odds。

对odds取对数得到

【2008nmj】Logistic回归二元分类感知器算法.docx

可以看出Logistic回归都是围绕一个Logistic函数来展开的。接下来就讲如何用极大似然估计求分类器的参数。

假设有【2008nmj】Logistic回归二元分类感知器算法.docx个观测样本,观测值分别为【2008nmj】Logistic回归二元分类感知器算法.docx,设【2008nmj】Logistic回归二元分类感知器算法.docx为给定条件下得到【2008nmj】Logistic回归二元分类感知器算法.docx的概率,同样地,【2008nmj】Logistic回归二元分类感知器算法.docx

的概率为【2008nmj】Logistic回归二元分类感知器算法.docx,所以得到一个观测值的概率为【2008nmj】Logistic回归二元分类感知器算法.docx

因为各个观测样本之间相互独立,那么它们的联合分布为各边缘分布的乘积。得到似然函数为

【2008nmj】Logistic回归二元分类感知器算法.docx

然后我们的目标是求出使这一似然函数的值最大的参数估计,最大似然估计就是求出参数【2008nmj】Logistic回归二元分类感知器算法.docx

,使得【2008nmj】Logistic回归二元分类感知器算法.docx

取得最大值,对函数【2008nmj】Logistic回归二元分类感知器算法.docx取对数得到

【2008nmj】Logistic回归二元分类感知器算法.docx

继续对这【2008nmj】Logistic回归二元分类感知器算法.docx【2008nmj】Logistic回归二元分类感知器算法.docx分别求偏导,得到【2008nmj】Logistic回归二元分类感知器算法.docx个方程,比如现在对参数【2008nmj】Logistic回归二元分类感知器算法.docx求偏导,由于

【2008nmj】Logistic回归二元分类感知器算法.docx

所以得到

【2008nmj】Logistic回归二元分类感知器算法.docx

这样的方程一共有【2008nmj】Logistic回归二元分类感知器算法.docx个,所以现在的问题转化为解这【2008nmj】Logistic回归二元分类感知器算法.docx个方程形成的方程组。

上述方程比较复杂,一般方法似乎不能解之,所以我们引用了牛顿-拉菲森迭代方法求解。

利用牛顿迭代求多元函数的最值问题以后再讲。。。

简单牛顿迭代法:http://zh.m.wikipedia.org/wiki/%E7%89%9B%E9%A1%BF%E6%B3%95

实际上在上述似然函数求最大值时,可以用梯度上升算法,一直迭代下去。梯度上升算法和牛顿迭代相比,收敛速度

慢,因为梯度上升算法是一阶收敛,而牛顿迭代属于二阶收敛。

http://blog.csdn.net/ariessurfer/article/details/41310525

参考文献:

1. 公式法

【2008nmj】Logistic回归二元分类感知器算法.docx

>>X=[7 31;12 22;13 22;15 34;18 9;22.5 35;23 44.5;25 25;25 34;25 54.5;32 19;34 45;36 37;36 36;45 51;40 42;48 9;48 24;54 16;56 6;56 38;61 30.5;64.5 23;69 13;74 40;76 4];

>>Y=[-1;-1;-1;-1;-1;-1;-1;-1;-1;-1;-1;-1;-1;-1;-1;1;1;1;1;1;1;1;1;1;1;1]

>>A=inv(X'*X);

>>theta=A*X'*Y;

【2008nmj】Logistic回归二元分类感知器算法.docx

2. logistic regression

?

【2008nmj】Logistic回归二元分类感知器算法.docx

上一篇:spring mvc ajax 提交复杂数组类型


下一篇:Android Back Home键监听