本文共 848 字,大约阅读时间需要 2 分钟。
经典线性模型自变量的线性预测就是因变量的估计值。 广义线性模型:自变量的线性预测的函数是因变量的估计值。常见的广义线性模型有:probit模型、poisson模型、对数线性模型等等。对数线性模型里有:logistic regression、Maxinum entropy。本篇是对逻辑回归的学习总结,下一篇将对最大熵模型的学习总结。
1、逻辑斯蒂分布,logit转换
一个连续随机变量X,如果它的分布函数形式如下,则X服从逻辑斯蒂分布,F(x)的值在0~1之间,它的 的图形是一条S型曲线 。
2、在二分类问题中,为什么弃用传统的线性回归模型,改用逻辑斯蒂回归?
线性回归用于二分类时,首先想到下面这种形式,p是属于类别的概率:
但是这时存在两根问题:
1)等式两边的取值范围不同,右边是负无穷到正无穷,左边是[0,1],这个分类模型的存在问题
2)实际中的很多问题,都是当x很小或很大时,对于因变量P的影响很小,当x达到中间某个阈值时,影响很大。即实际中很多问题,概率P与自变量并不是直线关系。
所以,上面这分类模型需要修整,怎么修正呢?统计学家们找到的一种方法是通过logit这个函对因变量加以变换,具体如下:
从而,
这里的P完全解决了上面的两个问题。
3、逻辑回归模型的求解过程?
1)求解方式
逻辑回归中,Y服从二项分布,误差服从二项分布,而非高斯分布,所以不能用最小二乘进行模型参数估计,可以用极大似然估计来进行参数估计。
2)似然函数、目标函数
严谨一点的公式如下:
似然函数如下:
对数似然函数,优化目标函数如下:
整个逻辑回归问题就转化为求解目标函数,即对数似然函数的极大值的问题,即最优化问题,可采用梯度下降法、拟牛顿法。
4、实际应用逻辑回归时数据预处理的经验总结,但经验有限,目前为止关于这块仍然很多东西不知,如果有哪位网友这块经验丰富,忘指教,先谢过
1)枚举型的特征直接进行binary
2)数值型特征,可以:标准化、根据分布进行binary
3)进行pairwise
转载地址:http://gxgsi.baihongyu.com/