逻辑回归

上一篇博客从数学原理和代码角度解释了线性回归，但是该模型只适合特征与预测值呈线性关系的回归场景，接下来我们将介绍逻辑回归，逻辑回归是一种用于二分类问题的机器学习算法。

数学原理

逻辑斯蒂回归(Logistic Regression)虽然名字中有回归，但模型最初是为了解决二分类问题。线性回归模型帮助我们用最简单的线性方程实现了对数据的拟合，但只实现了回归而无法分类。因此LR就是在线性回归的基础上，构建的一种分类模型。

对线性模型进行二分类任务，简单的是通过阶跃函数，即将线性模型的输出值套上一个函数进行分割，大于z的判定为0，小于z的判定为1

激活函数.png

但是该分段函数数学性质不好，既不连续也不可微。因此有人提出了对数几率函数，简称Sigmoid函数。

y=\frac{1}{1+e^{-z}}

该函数具有很好的数学性质，既可以用于预测类别，并且任意阶可微，因此可用于求解最优解，将线性函数带进去，可得LR模型为：

y=\frac{1}{1+e^{-w^Tx+b}}

损失函数

什么是极大似然估计：通俗理解来说，就是利用已知的样本结果信息，反推最具有可能（最大概率）导致这些样本结果出现的模型参数值。极大似然估计提供了一种给定观察数据来评估模型参数的方法，即："模型已定，参数未知"
- 极大似然估计中采样需要满足一个重要的假设，就是所有的采样都是独立同分布的。

y为概率p，根据似然函数的对数可得

L=-[ylogy_{pre}+(1-y)log(1-y_{pre})]

极大似然估计推导损失函数，写出似然函数：

P(y^{(i)}=1|x^{(i)};\theta)=h_{\theta}(x^{(i)})

P(y^{(i)}=0|x^{(i)};\theta)=1-h_{\theta}(x^{(i)})

L=\Pi_{i=1}^mP(y^{(i)}|y^{(i)}_{pre})

=\Pi_{i=1}^my_{pre}^{(i)y^{(i)}}(1-y_{pre}^{(i)})^{1-y^{(i)}}

取对数

logL=\sum_{i=1}^my^{(i)}logy_{pre}^{(i)}+(1-y^{(i)})log(1-y_{pre}^{(i)})

根据梯度下降法求解，需要链式求导法则求解

\frac{\partial{J(\theta)}}{\partial{\theta_j}}=\frac{\partial}{\partial{\theta}}(\sum_{i=1}^m[y^{(i)}log(h_{\theta}(x^{(i)}))+(1-y^{(i)})log(1-h_{\theta}(x^{(i)}))])

=\sum_{i=1}^m[y^{(i)}\frac{1}{h_{\theta}(x^{(i)})}-(1-y^{(i)})\frac{1}{1-h_{\theta}(x^{(i)})}]\frac{\partial}{\partial{\theta}}h_{\theta}(x^{(i)})

=\sum_{i=1}^m[y^{(i)}\frac{1}{h_{\theta}(x^{(i)})}-(1-y^{(i)})\frac{1}{1-h_{\theta}(x^{(i)})}]h_{\theta}(x^{(i)})(1-h_{\theta}(x^{(i)}))\frac{\partial}{\partial{\theta}}\theta{x^{(i)}}

=\sum_{i=1}^m[y^{(i)}(1-h_{\theta}(x^{(i)}))-(1-y^{(i)})h_{\theta}(x^{(i)})]\frac{\partial}{\partial{\theta}}\theta{x^{(i)}}

=\sum_{i=1}^m[y^{(i)}-h_{\theta}(x^{(i)})]x_j^{(i)}

逻辑斯蒂回归的优缺点

优点
- 将推荐问题转化为CTR点击率预估问题，能综合利用用户、物品、上下文等多种不同的特征
- 模型简单，可解释性强
- 训练开销小
  - 简单的线性计算
  - 训练时便于并行化，在预测时只需要对特征进行线性加权，所以性能比较好
- 资源占用小，尤其是内存：在实际工程中只需要存储权重比较大的特征及特征对应的权重
缺点
- 表达能力不足，无法进行特征交叉，特征筛选等一系列高级操作
- 准确率并不是很高：模型太过简单，很难去拟合数据的真实分布

代码实战

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.datasets import load_breast_cancer

照常先导入所需要的包，我们这次使用的数据集是经典的乳腺癌数据集，该数据集包括了乳腺癌患者的不同特征。我们先大致看一下有哪一些特征

# 加载乳腺癌数据集
data = load_breast_cancer()

print(data.feature_names)

# ['mean radius' 'mean texture' 'mean perimeter' 'mean area'
# 'mean smoothness' 'mean compactness' 'mean concavity'
# 'mean concave points' 'mean symmetry' 'mean fractal dimension'
# 'radius error' 'texture error' 'perimeter error' 'area error'
# 'smoothness error' 'compactness error' 'concavity error'
# 'concave points error' 'symmetry error' 'fractal dimension error'
# 'worst radius' 'worst texture' 'worst perimeter' 'worst area'
# 'worst smoothness' 'worst compactness' 'worst concavity'
# 'worst concave points' 'worst symmetry' 'worst fractal dimension']

print(data.target_names)

# ['malignant' 'benign']

数据集的特征包括以下几列（这个特征数还算少的，我们就先全部列出来，看一下是否符合，之后介绍的算法可能不会介绍全部的特征）

mean radius：平均半径
mean texture：平均纹理
mean perimeter：平均周长
mean area：平均面积
mean smoothness：平均平滑度
mean compactness：平均紧密度
mean concavity：平均凹度
mean concave points：平均凹点
mean symmetry：平均对称性
mean fractal dimension：平均分形维数
radius error：半径误差
texture error：纹理误差
perimeter error：周长误差
area error：面积误差
smoothness error：光滑度误差
compactness error：紧密度误差
concavity error：凹度误差
concave points error：凹点误差
symmetry error：对称性误差
fractal dimension error：分形维数误差
worst radius：最坏半径
worst texture：最坏纹理
worst perimeter：最坏周长
worst area：最坏面积
worst smoothness：最坏光滑度
worst compactness：最坏紧密度
worst concavity：最坏凹度
worst concave points：最坏凹点
worst symmetry：最坏对称性
worst fractal dimension：最坏分形误差

目标类别分别为

malignant：恶性
benign：良性

可以看到特征均是从半径、纹理、周长、面积、光滑度、紧密度、凹度、凹点、对称性和分形误差这几个角度展开的。目标为恶性和良性。也就是说这个问题是一个二分类问题，使用逻辑回归算法再合适不过了。

# 特征选择
features = ['mean radius', 'mean texture', 'mean perimeter', 'mean area', 'mean smoothness']
target = 'target'

# 划分特征和目标变量
X = pd.DataFrame(data.data, columns=data.feature_names)[features]
y = data.target

# 数据集划分
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 特征缩放
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

接下来调用逻辑回归模型，进行训练

from sklearn.linear_model import LogisticRegression

# 创建逻辑回归模型
model = LogisticRegression()

# 模型训练
model.fit(X_train, y_train)

# 估计特征的权重
weights = model.coef_
intercept = model.intercept_

然后在测试集上看一下训练效果

from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score

# 预测测试数据集
y_pred = model.predict(X_test)

# 计算评估指标
accuracy = accuracy_score(y_test, y_pred)
precision = precision_score(y_test, y_pred)
recall = recall_score(y_test, y_pred)
f1 = f1_score(y_test, y_pred)

print("Accuracy:", accuracy)
print("Precision:", precision)
print("Recall:", recall)
print("F1 score:", f1)

最后预测新样本

import numpy as np

# 新样本特征
new_sample = np.array([15.12, 15.16, 97.67, 712.2, 0.0898]).reshape(1, -1)

# 特征缩放
new_sample_scaled = scaler.transform(new_sample)

# 预测新样本的分类
prediction = model.predict(new_sample_scaled)

print("Prediction:", prediction)

补充

上面的代码实战用到了几个评价指标，这里对这几个评价指标做一个简单的介绍，之后会专门对评价指标进行总结

评价指标

首先我们先看这样一个矩阵

	Positive	Negative
Positive	TP	FP
Negative	FN	TN

上面这个矩阵也叫做混淆矩阵，行的positive、negative字段表示样本实际值，列的positive、negative字段表示预测的结果，那么我们就可以给出表格中值的几个概念

TP：True Positive。预测为正确的正样本
FP：False Positive。预测为错误的正样本
TN：True Negative。预测为正确的负样本
FN：True Negative。预测为正确的负样本

那么我们就可以解释代码中用到的几个指标

准确率Accuracy：分类器正确分类的样本数与总的样本数之比，即预测正确的概率
$Accuracy=\frac{TP+FN}{TP+FP+TN+FN}$
精准率Precision：预测为正的样本中，实际为正样本的比例
$Pecision=\frac{TP}{TP+FP}$
召回率Recall：实际为正的样本被预测为正样本的比例
$Recall=\frac{TP}{TP+FN}$
F1 Score：由于精准率和召回率是互相矛盾的，为了综合考虑这两个指标，再尽可能提高这两个指标的同时，也希望两者之间的差异尽可能小。
$F1=2\frac{P*R}{p+R}$

和我一起入门机器学习-逻辑回归