logistic回归详解(二):损失函数(cost function)详解

logistic回归详解(二):损失函数(cost function)详解有监督学习机器学习分为有监督学习,无监督学习,半监督学习,强化学习。对于逻辑回归来说,就是一种典型的有监督学习。既然是有监督学习,训练集自然可以用如下方式表述:{(x1,y1),(x2,y2),⋯,(xm,ym)}\{(x^1,y^1),(x^2,y^2),\cdots,(x^m,y^m)\}对于这m个训练样本,每个样本本身有n维特征。再加上一个偏置项x0x_0,则每个样本包含n+1维特征

项目github地址:bitcarmanlee easy-algorithm-interview-and-practice
欢迎大家star,留言,一起学习进步

有监督学习

机器学习分为有监督学习,无监督学习,半监督学习,强化学习。对于逻辑回归来说,就是一种典型的有监督学习。
既然是有监督学习,训练集自然可以用如下方式表述:
{ ( x 1 , y 1 ) , ( x 2 , y 2 ) , ⋯   , ( x m , y m ) } \{(x^1,y^1),(x^2,y^2),\cdots,(x^m,y^m)\} {(x1,y1),(x2,y2),,(xm,ym)}

对于这m个训练样本,每个样本本身有n维特征。再加上一个偏置项 x 0 x_0 x0, 则每个样本包含n+1维特征:
x = [ x 0 , x 1 , x 2 , ⋯   , x n ] T x = [x_0,x_1,x_2,\cdots,x_n]^T x=[x0,x1,x2,,xn]T
其中 x ∈ R n + 1 x\in R^{n+1} xRn+1, x 0 = 1 x_0=1 x0=1, y ∈ { 0 , 1 } y\in\{0,1\} y{
0,1}

李航博士在统计学习方法一书中给分类问题做了如下定义:
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取有限个离散值时,预测问题便成为分类问题。这时,输入变量X可以是离散的,也可以是连续的。监督学习从数据中学习一个分类模型或分类决策函数,称为分类器(classifier)。分类器对新的输入进行输出的预测(prediction),称为分类(classification).

在logistic回归详解一(http://blog.csdn.net/bitcarmanlee/article/details/51154481)中,我们花了一整篇篇幅阐述了为什么要使用logistic函数: h θ ( x ) = g ( θ T x ) = 1 1 + e − θ T x h_{\theta}(x) = g(\theta^{T}x) = \frac{1}{1+e^{-\theta^{T}x}} hθ(x)=g(θTx)=1+eθTx1
其中一个重要的原因,就是要将Hypothesis(NG课程里的说法)的输出映射到0与1之间,既:
0 ≤ h θ ( x ) ≤ 1 0\le h_{\theta}(x)\le 1 0hθ(x)1

同样是李航博士统计学习方法一书中,有以下描述:
统计学习方法都是由模型,策略,和算法构成的,即统计学习方法由三要素构成,可以简单表示为:
方法 = 模型 + 策略 + 算法 方法 = 模型 + 策略 + 算法 方法=模型+策略+算法

对于logistic回归来说,模型自然就是logistic回归,策略最常用的方法是用一个损失函数(loss function)或代价函数(cost function)来度量预测错误程度,算法则是求解过程,后期会详细描述相关的优化算法。

logistic函数求导

g ′ ( z ) = d d z 1 1 + e − z = 1 ( 1 + e − z ) 2 ( e − z ) = 1 ( 1 + e − z ) ⋅ ( 1 − 1 ( 1 + e − z ) ) = g ( z ) ( 1 − g ( z ) ) \begin{align} g'(z) & = \frac{d}{dz}\frac{1}{1+e^{-z}} \\ & = \frac{1}{(1+e^{-z})^2} (e^{-z}) \\ & = \frac{1}{(1+e^{-z})} \cdot \left (1 – \frac{1}{(1+e^{-z})} \right) \\ & = g(z)(1-g(z)) \end{align} g(z)=dzd1+ez1=(1+ez)21(ez)=(1+ez)1(1(1+ez)1)=g(z)(1g(z))

此求导公式在后续推导中会使用到

常见的损失函数

机器学习或者统计机器学习常见的损失函数如下:

1.0-1损失函数 (0-1 loss function)
L ( Y , f ( X ) ) = { 1 , Y  ≠  f(X) 0 , Y = f(X) L(Y,f(X))= \begin{cases} 1 , & \text {Y $\neq$ f(X)} \\ 0, & \text{Y = f(X)} \end{cases} L(Y,f(X))={
1,0,= f(X)Y = f(X)

2.平方损失函数(quadratic loss function)
L ( Y , f ( X ) ) = ( Y − f ( x ) ) 2 L(Y,f(X)) = (Y – f(x))^2 L(Y,f(X))=(Yf(x))2

3.绝对值损失函数(absolute loss function)
L ( Y , f ( x ) ) = ∣ Y − f ( X ) ∣ L(Y,f(x)) = |Y – f(X)| L(Y,f(x))=Yf(X)

4.对数损失函数(logarithmic loss function) 或对数似然损失函数(log-likehood loss function)
L ( Y , P ( Y ∣ X ) ) = − l o g P ( Y ∣ X ) L(Y,P(Y|X)) = -logP(Y|X) L(Y,P(YX))=logP(YX)

逻辑回归中,采用的则是对数损失函数。如果损失函数越小,表示模型越好。

说说对数损失函数与平方损失函数

在逻辑回归的推导中国,我们假设样本是服从伯努利分布(0-1分布)的,然后求得满足该分布的似然函数,最终求该似然函数的极大值。整体的思想就是求极大似然函数的思想。而取对数,只是为了方便我们的在求MLE(Maximum Likelihood Estimation)过程中采取的一种数学手段而已。

损失函数详解

根据上面的内容,我们可以得到逻辑回归的对数似然损失函数cost function:
c o s t ( h θ ( x ) , y ) = { − l o g ( h θ ( x ) ) if y=1 − l o g ( 1 − h θ ( x ) ) if y=0 cost(h_{\theta}(x),y) = \begin{cases} -log(h_{\theta}(x)) & \text {if y=1} \\ -log(1-h_{\theta}(x)) & \text{if y=0} \end{cases} cost(hθ(x),y)={
log(hθ(x))log(1hθ(x))if y=1if y=0

稍微解释下这个损失函数,或者说解释下对数似然损失函数:
当y=1时,假定这个样本为正类。如果此时 h θ ( x ) = 1 h_\theta(x)=1 hθ(x)=1,则单对这个样本而言的cost=0,表示这个样本的预测完全准确。那如果所有样本都预测准确,总的cost=0
但是如果此时预测的概率 h θ ( x ) = 0 h_\theta(x)=0 hθ(x)=0,那么 c o s t → ∞ cost\to\infty cost。直观解释的话,由于此时样本为一个正样本,但是预测的结果 P ( y = 1 ∣ x ; θ ) = 0 P(y=1|x;\theta) = 0 P(y=1∣x;θ)=0, 也就是说预测 y=1的概率为0,那么此时就要对损失函数加一个很大的惩罚项。
当y=0时,推理过程跟上述完全一致,不再累赘。

将以上两个表达式合并为一个,则单个样本的损失函数可以描述为:
c o s t ( h θ ( x ) , y ) = − y i l o g ( h θ ( x ) ) − ( 1 − y i ) l o g ( 1 − h θ ( x ) ) cost(h_{\theta}(x),y) = -y_ilog(h_{\theta}(x)) – (1-y_i)log(1-h_{\theta}(x)) cost(hθ(x),y)=yilog(hθ(x))(1yi)log(1hθ(x))
因为 y i y_i yi 只有两种取值情况,1或0,分别令y=1或y=0,即可得到原来的分段表示式。

全体样本的损失函数可以表示为:
c o s t ( h θ ( x ) , y ) = ∑ i = 1 m − y i l o g ( h θ ( x ) ) − ( 1 − y i ) l o g ( 1 − h θ ( x ) ) cost(h_{\theta}(x),y) = \sum_{i=1}^{m} -y_ilog(h_{\theta}(x)) – (1-y_i)log(1-h_{\theta}(x)) cost(hθ(x),y)=i=1myilog(hθ(x))(1yi)log(1hθ(x))
这就是逻辑回归最终的损失函数表达式

今天的文章logistic回归详解(二):损失函数(cost function)详解分享到此就结束了,感谢您的阅读。

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。
如需转载请保留出处:https://bianchenghao.cn/9453.html

(0)
编程小号编程小号

相关推荐

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注