Chinaunix首页 | 论坛 | 博客
  • 博客访问: 251067
  • 博文数量: 45
  • 博客积分: 802
  • 博客等级: 军士长
  • 技术积分: 470
  • 用 户 组: 普通用户
  • 注册时间: 2010-10-08 12:21
文章分类
文章存档

2014年(4)

2013年(4)

2012年(37)

我的朋友

分类: 信息化

2014-12-04 23:38:19

1. 分类是监督学习的一个核心问题,在监督学习中,当输出变量Y取有限个离散值,预测回归问题便成为分类问题
2. 
对于二分类问题来说,线性回归模型的Hypothesis输出值可以大于1也可以小于0。这个时候我们引出逻辑回归,逻辑回归的Hypothesis输出介于0与1之间
3. Hypothesis输出的直观解释: = 对于给定的输入x,y=1时估计的概率。较正式的说法可以表示为:给定输入x,参数化的(参数空间),y=1时的概率。即,

5. 对于因变量y=0或1这样的二分类问题:,整合后,可以写成
6.   由最大似然估计原理,我们可以通过m个训练样本值,来估计出值,使得似然函数值最大

      这里,为m个训练样本同时发生的概率。对求log,得:

                    


7. 求最大似然函数参数的立足点是求出每个参数方向上的偏导数,并让偏导数为0,最后求解此方程组。由于中参数数量的不确定,考虑到可能参数数量很大,此时直接求解方程组的解变的很困难。于是,我们用随机梯度上升法,求解方程组的值,就是使最大化时的值,迭代函数为:

           

8. 线性回归的Cost Function是凸函数,具有碗状的形状,而凸函数具有良好的性质:对于凸函数来说局部最小值点即为全局最小值点,因此只要能求得这类函数的一个最小值点,该点一定为全局最小值点。如果直接把代入到线性回归的损失函数中,得到的损失函数而是的,梯度上升法无法收敛,所以需要其他形式的Cost Function来保证逻辑回归的成本函数是凸函数
9. 
逻辑回归的损失函数,是利用了统计学中的对数损失函数
。在逻辑回归中

逻辑回归代价函数-我爱公开课-52opencourse.com

       由于y 只能等于0或1,所以可以将逻辑回归中的Cost function的两个公式合并,具体推导如下:

逻辑回归代价函数推导-我爱公开课-52opencourse.com

       故逻辑回归的Cost function可简化为:

逻辑回归代价函数简化公式-我爱公开课-52opencourse.com

      可以看到中括号中的部分为逻辑回归模型的对数似然函数,故求得的相同
10. 为了解决模型过拟合的问题,两种方式:1)减少特征数量 2)保留特征,降低部分特征权重,主要有L1、L2两种范数
11. L1范数会将影响小的特征权重设为0,特征被稀疏化,适用于做特征的筛选
12. L2范数会将影响小的特征权重设置为很小,但不会为0。效果较L1弱些,但是L2处处可导,计算简单
13. 正则化系数(范数)是加在损失函数尾部的
14. 对于LR模型的评价,指标有ROC曲线、PR曲线、Accuracy=(TP+TN)/(P+N)。其中,AUC用来衡量ROC曲线的好坏;PR曲线中,准确率=TP/(TP+FP)、召回率=TP/P。具体这些变量的含义网上有介绍,地址:

参考文章主要是斯坦福机器学习的公开课的部分章节,以后有时间再系统地读一下


阅读(1387) | 评论(0) | 转发(0) |
给主人留下些什么吧!~~