机器学习-逻辑回归(LogisticRegression)详解

写在前言

        PS：下面基本都是个人理解，肯定有不正确或者不严谨的地方，参考指正。

        为了方便理解，不想加什么公式，就直接用白话文和举例说明。

         机器学习的基本框架是：模型、目标和算法。不管做什么 都绕不开这个框架。

        首先我们在拿到一份数据做预测的时候(暂且就做二分类预测)，我们发现因变量(Y)是一个二分类(只有0和1)，在我们不知道有其他模型的前提下，我们只会用LogisticRegression。随之而来的就是我们就要有一个解决问题的思路，来最后求出最优的结果，达到最好的输出。

        首先，我们确定了模型就是LogisticRegression。

        然后用这个模型去分类，让结果达到最优(除去理想情况，预测出来的结果跟实际肯定有误差的，就跟你写代码肯定会有BUG一样[狗头])，这个就是我们的目标，检验结果是否为最优的函数为目标函数，这个目标我们是通过极大似然估计出来的。举例：线性回归中我们的目标函数是最小二乘的问题，那么逻辑回归就是交叉熵，这个就是我们的目标。

        最后当我们有了目标之后，我们需要一种算法了来实现这个目标，因为实现了目标之后我们就有了最优的结果，而在逻辑回归里面优化的算法就是梯度下降、牛顿法等等。而回归问题中我们可以用最小二乘法、梯度下降等等（为什么逻辑回归不能用最小二乘法，因为带入公式之后，然后在画个图你会发现出来个凸函数）。

        在举个例子：就是你想出去旅游，地方比较远。那么你准备坐飞机(这个飞机就是个模型)，确定好坐飞机之后，你得买飞机票把。买飞机票你得考虑时间、价格和航空公司等等。那么好，你研究出来了一套买票的方式方法，就是在价格合适，时间也合适，航空公司服务也不错，你想买这样的飞机票去旅游，这个就是目标。如果你实现了这个目标，那么最后你就会买到你认为最合适的飞机票对把，而实现了这个目标的过程，实现这个过程你肯定要货比三家，来回衡量对把，就是算法。当然实现这个过程肯定有很多种方式，但是这里面肯定有最优的方式，时间更短，效率更高，结果更好，这个就是最优算法。

        这个就是不用sklearn调包，你自己想写个逻辑回归的大致思路，当然你如果调用sklearn你只需要调调参数，看看最后的指标你能不能接受就好了。

        下面就简单介绍下逻辑回归，不对的地方请指正。

---

1.什么是逻辑回归

        逻辑回归是监督学习，主要解决二分类问题。

        逻辑回归虽然有回归字样，但是它是一种被用来解决分类的模型，为什么叫逻辑回归是因为它是利用回归的思想去解决了分类的问题。

        逻辑回归和线性回归都是一种广义的线性模型，只不过逻辑回归的因变量(Y)服从伯努利分布(离散分布)，而线性回归的因变量(Y)满足的是高斯分布(正态分布)，因此他们两个是很相似的(PS：线性回归是拟合一条直线，而逻辑回归是根据sigmoid将线性变成非线性，所以去掉sigmoid，他们是一样的)。

        所以理论上线性回归也可以用于做分类预测，但是准确率很低，效果很差，所以我们引用sigmoid函数将线性变成非线性来解决该类问题。

        总结：辑回归假设数据服从伯努利分布，通过极大似然函数的方法，运用梯度下降来求解参数，最终达到数据二分类的目的。

2.逻辑回归适用场景

    LogisticRegression 主要适用于二分类问题，如果因变量Y是二分类，可以考虑适用LogisticRegression模型求解。

3.sigmoid函数

    常用的非线性激活函数有sigmoid、tanh、relu等等，前两者sigmoid/tanh比较常见于全连接层，后者relu常见于卷积层。这里先简要介绍下最基础的sigmoid函数。
    sigmoid函数公式如下：
                                                    

        其中z是一个线性组合，比如z可以等于：b+*+*或 z=。通过代入很大的正数或很小的负数到g(z)函数中可知，其结果趋近于0或1。因此，sigmoid函数g(z)的图形表示如下（横轴表示定义域z，纵轴表示值域g(z)）。

                                           

         压缩至0到1有何用处呢？用处是这样一来便可以把激活函数看作一种“分类的概率”，比如激活函数的输出为0.9的话便可以解释为90%的概率为正样本。

4.选定阈值

        其实使用逻辑回归来预测分类问题，最后结果不是0或者是1，而是0-1之间的数，sigmoid默认情况是将0.5以上的都归为正例，0.5以下都归为负例，但是这样是不准确的。因为0.49它还是有49%的概率为正例的。就算我们认为0.1是负类，0.1还是有10% 的可能是正类，所以无论怎么选择，都有误差的，我们要做的就是尽量的减少误差。

        因为我们不管使用什么方式 求解，最后的结果都是0-1之间数，而不是0或1。有的人认为只需要确定好阈值那么我们就能找到最优解，但是实际上不应该这么想，我们要做的在这个方程中

                                                                       z=

求出最优的W值，然后在根据最优W值的方法来确定确定阈值。 

5.似然函数

        最大似然估计就是通过已知结果去反推最大概率导致该结果的参数。极大似然估计是概率论在统计学中的应用，它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”，通过若干次试验，观察其结果，利用实验结果得到某个参数值能够使样本出现的概率为最大，则称为极大似然估计。逻辑回归是一种监督式学习，是有训练标签的，就是有已知结果的，从这个已知结果入手，去推导能获得最大概率的结果参数，只要我们得出了这个参数，那我们的模型就自然可以很准确的预测未知的数据了。

6.梯度下降
     

        当我们确定了目标之后，我们就需要一个算法来解决问题，现在最常用也比较好用的就是梯度下降。

        我们先来看看官网是怎么介绍梯度下降的：梯度的本意是一个向量（矢量），表示某一函数在该点处的方向导数沿着该方向取得最大值，即函数在该点处沿着该方向（此梯度的方向）变化最快，变化率最大（为该梯度的模）。

        大白话理解：就是你现在蒙眼在山顶要下山。你肯定要顺着山的一侧一步一步的往下挪是把，山的一侧就是梯度的，你每往下挪一点，就是在下降，当你达到山底的时候就成功了。

        稍微专业点的：我们对一个多元函数求偏导,会得到多个偏导函数.这些导函数组成的向量,就是梯度.我们用梯度下降是用来求解一个损失函数的最小值，所谓下降实际上是这个损失函数的值在下降。

                        

PS：导数的概念：

y=ax+b,我们知道这个函数的图像是一条直线,每个不同的x对应着直线上一点y.那么当自变量x的值变化的时候,y值也会随之变化.数学中我们把x的变化量成为Δx,把对应的y的变化量成为Δy,自变量的变化量Δx与因变量的变化量Δy的比值称为导数.记作y'。y'=Δy/Δx

         在梯度下降的算法中，还有两个比较重要的点叫做学习率和步数。

        学习率是指你在下山的过程中每走的一步大小，你要是厉害能一步跨到山底也算是你厉害，当然你也有可能跨到对面山上，所以学习率我们在设置的时候就要设置的稍微小点，别让计算机在计算的过程中扯着蛋了，当然也别太小了，这样学习的会很慢。学习率是自己设定的，比如0.01。

        迭代次数就是指你在下山过程中你要走多少步，小了的话你可能没有走到山底，多了的话可能你就会在山底来回的走。

        学习率和迭代次数都是自定义的，需要通过经验和实际操作去验证和设置。最好在运行代码的时候打印出来，这个就会看到收敛的情况，当很长一段时间内，收敛的效果已经不明显了，基本就到头了。

下面简单说下推导过程：

        我减少了推导的数学公式，只有几个比较重要点的公式：

        首先第一个公式 就是sigmoid，上面也提到过，其中的z就是线程方程：

                                

        上面也说了逻辑回归的本质也是个线性方程，只不过被sigmoid给掰弯了，所以我们还是得求z也就是所谓的

                                                                 b+*+* 

其中我们只要求出最优b和w的值是不是就可以了，所以先定义目标函数。目标函数

        

                而梯度下降就是实现并求出最优的b和w值的其中一种算法，这个明白了把。

梯度下降有三种方法：

        批量梯度下降BGD（Batch Gradient Descent）：优点：会获得全局最优解，易于并行实现。缺点：更新每个参数时需要遍历所有的数据，计算量会很大并且有很多的冗余计算，导致当数据量大的时候每个参数的更新都会很慢。
        随机梯度下降SGD：优点：训练速度快；缺点：准确率下降，并不是全局最优，不易于并行实现。它的具体思路是更新没一个参数时都是用一个样本来更新。（以高方差频繁更新，优点是使得sgd会跳到新的和潜在更好的局部最优解，缺点是使得收敛到局部最优解的过程更加的复杂）
        small batch梯度下降：结合了上述两点的优点，每次更新参数时仅使用一部分样本，减少了参数更新的次数，可以达到更加稳定的结果，一般在深度学习中采用这种方法。

7.损失函数

        损失函数用来评价模型的预测值和真实值不一样的程度，损失函数越好，通常模型的性能越好。不同的模型用的损失函数一般也不一样。

        损失函数分为经验风险损失函数和结构风险损失函数。经验风险损失函数指预测结果和实际结果的差别，结构风险损失函数是指经验风险损失函数加上正则项。

        通俗点讲，损失函数 = 代价函数 = 目标函数，它们三个是一个意思。

        但是它们之间还是有细微的差别的。

        损失函数（Loss Function ）是定义在单个样本上的，算的是一个样本的误差。

        代价函数（Cost Function ）是定义在整个训练集上的，是所有样本误差的平均，也就是损失函数的平均。

        PS： 所以我理解的是损失函数和代价函数是一个意思。尤其是在深度学习中

        目标函数：目标函数跟它俩有联系，但不是一个意思。目标函数是一个最优化函数，它是由经验风险+结构风险（也就是Cost Function + 正则化项）构成。

        PS：比如说：我们需要优化模型，我们得有个目标把，比如说我们误差不能大于0.1 ，那这个0.1就是我们的目标函数，但是技术不行，最后只能把误差维持在0.2，那么0.1就是目标函数，0.2就是损失函数，当技术好的情况下，将误差降低在0.1 那么损失=目标。

        下面介绍下 逻辑回归中常用的损失函数，逻辑回归主要是是分类模型，所以用的也都是分类方面的损失函数：

          1）交叉熵损失：上面基本也都介绍了就不多说了。

            2）Hinge Loss/多分类 SVM 损失：简言之，在一定的安全间隔内（通常是 1），正确类别的分数应高于所有错误类别的分数之和。因此 hinge loss 常用于最大间隔分类（maximum-margin classification），最常用的是支持向量机。尽管不可微，但它是一个凸函数，因此可以轻而易举地使用机器学习领域中常用的凸优化器。

8.Sklearn中LogisticRegression

        现在开始介绍调包了，看这块的时候请忘记上面的流程，虽然内核一样，但是调包的话流程和思考的方式也是不同的。

        上面1-7的说实在的，你如果数学和统计非常好，那么不建议你用sklearn，虽然结果可能会一样，但是你用sklearn可能会降低你的逼格，先说明，我就经常用sklearn。

             from sklearn.linear_model import LogisticRegression

        介绍下调包的流程：

        数据准备：你拿了一堆数据，比如说预测肿瘤的，20个特征，特征中有连续和离散数据。

        数据分析：主要是分析数据结构，需要处理的特征，变量衍生

        数据处理：根据分析结果处理数据。

        探索性分析：分析数据分布，主要以图表形式展示，自变量和因变量关系，相关性，共线性等等。

        模型前特征处理，主要工作有

                                        1.特征筛选

                                        2.是否需要归一化或标准化，如果在前置数据的探索性分析中，我们知道特征变量满足正态分布，就是均值位0，标准差为 1 那么就标准化。在逻辑回归中应该是使用归一化数据。

                                        3.拆分数据集，分成训练、测试和验证

          训练模型：就开始整模型了，直接fit函数       

           模型诊断和调优：就是判断我们得出结果到底怎么样，比如分类问题我们可以通过一系列指标去验证，比如混淆矩阵、roc、auc和ks等等，如果不好调优模型

        模型部署：最后没啥问题了 就上线模型。       

9.Sklearn中LogisticRegression参数

        

        为什么将参数，因为想模型调优有2个方面一个是数据，

        记住一句话，数据是决定上限的，而模型算法只在让你更逼近这个上限。数据差，你的模型算法在牛，结果也不能好了。所以调优一方面调优数据，另一方面在sklearn中调优的就是参数了

       官网网址：

https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html#sklearn.linear_model.LogisticRegression

       LogisticRegression 方法

class sklearn.linear_model.LogisticRegression(penalty='l2', *, dual=False, tol=0.0001, C=1.0, fit_intercept=True, intercept_scaling=1, class_weight=None, random_state=None, solver='lbfgs', max_iter=100, multi_class='auto', verbose=0, warm_start=False, n_jobs=None, l1_ratio=None) 

        挑一些重要的说，不说的表示默认项就行了

        penalty：惩罚项(也叫正则项)，str类型，可选参数为l1和l2，默认为l2，用于指定惩罚项中使用的规范。penalty参数主要的作用有：解决过拟合，但是一般情况使用l2就够了，如果l2不行了在使用l1。

                l1:规范假设的是模型的参数满足拉普拉斯分布,l1范式表现为参数向量中的每个参数的绝对值之和，如果选择l1那么solver参数只能选择liblinear和saga，因为L1正则化的损失函数不是连续可导的。而其他算法优化算法时都需要损失函数的一阶或者二阶连续导数。

                l2：L2假设的模型参数满足高斯分布，l2范数表现为参数向量中的每个参数的平方和的开方值，如果选择l2那么solver参数都可以用。

           所谓的范式就是加上对参数的约束，使得模型更不会过拟合(overfit)，但是如果要说是不是加了约束就会好，这个没有人能回答，只能说，加约束的情况下，理论上应该可以获得泛化能力更强的结果。

        C：正则化强度的倒数，必须是一个大于0的浮点数，不填写默认1.0，即默认正则项与损失函数的比值是1：1。C越小，损失函数会越小，模型对损失函数的惩罚越重，正则化的效力越强，参数会逐渐被压缩得越来越小。

        solver：优化算法选择参数，有五个可选参数，即newton-cg,lbfgs,liblinear,sag,saga。默认为liblinear(在0.22版本之后默认的liblinear修改成了lbfgs)。solver参数决定了对逻辑回归损失函数的优化方法：

        liblinear：使用了开源的liblinear库实现，内部使用了坐标轴下降法来迭代优化损失函数。小数据集效果比较好，Changed in version 0.22: The default solver changed from ‘liblinear’ to ‘lbfgs’ in 0.22.

        lbfgs：拟牛顿法的一种，利用损失函数二阶导数矩阵即海森矩阵来迭代优化损失函数。
        newton-cg：也是牛顿法家族的一种，利用损失函数二阶导数矩阵即海森矩阵来迭代优化损失函数。
        sag：即随机平均梯度下降，是梯度下降法的变种，和普通梯度下降法的区别是每次迭代仅用一部分的样本来计算梯度，适合于样本数据多，数据集比较大的时候(PS：建议哈，超过10w的数据可以用，也最好用sag)，样本少的话就不药用
        saga：快速梯度下降法，线性收敛的随机优化算法的的变种，适合于样本数据多，数据集比较大的时候。0.19版本后才有的，L1也能用。

        sag”和“saga”快速收敛仅在具有大致相同比例的要素上得到保证， 可以使用sklearn.preprocessing中的缩放器预处理数据。

        从上面的描述，大家可能觉得，既然newton-cg, lbfgs和sag这么多限制，如果不是大样本，我们选择liblinear不就行了嘛！错，因为liblinear也有自己的弱点！我们知道，逻辑回归有二元逻辑回归和多元逻辑回归。对于多元逻辑回归常见的有one-vs-rest(OvR)和many-vs-many(MvM)两种。而MvM一般比OvR分类相对准确一些。郁闷的是liblinear只支持OvR，不支持MvM，这样如果我们需要相对精确的多元逻辑回归时，就不能选择liblinear了。也意味着如果我们需要相对精确的多元逻辑回归不能使用L1正则化了。

        这个参数的设置是不是很眼熟，其实就上面的实现目标的算法，换句话说，你可以直接调包的过程中就使用优化算法，来实现目标函数，结果就是该算法下的最优解。

        max_iter：算法收敛最大迭代次数，int类型，默认为100。仅在正则化优化算法为newton-cg, sag和lbfgs才有用，算法收敛的最大迭代次数。下山的步数。

        dual：对偶或原始方法，bool类型，默认为False。对偶方法只用在求解线性多核(liblinear)的L2惩罚项上。当样本数量>样本特征的时候，dual通常设置为False。

        tol：停止求解的标准，float类型，默认为1e-4。就是求解到多少的时候，停止，认为已经求出最优解。

        class_weight：用于标示分类模型中各种类型的权重，可以是一个字典或者’balanced’字符串，默认为不输入，也就是不考虑权重，即为None。如果选择输入的话，可以选择balanced让类库自己计算类型权重，或者自己输入各个类型的权重。举个例子，比如对于0,1的二元模型，我们可以定义class_weight={0:0.9,1:0.1}，这样类型0的权重为90%，而类型1的权重为10%。如果class_weight选择balanced，那么类库会根据训练样本量来计算权重。某种类型样本量越多，则权重越低，样本量越少，则权重越高。当class_weight为balanced时，类权重计算方法如下：n_samples / (n_classes * np.bincount(y))。n_samples为样本数，n_classes为类别数量，np.bincount(y)会输出每个类的样本数，例如y=[1,0,0,1,1],则np.bincount(y)=[2,3]。
那么class_weight有什么作用呢？
在分类模型中，我们经常会遇到两类问题：
        第一种是误分类的代价很高。比如对合法用户和非法用户进行分类，将非法用户分类为合法用户的代价很高，我们宁愿将合法用户分类为非法用户，这时可以人工再甄别，但是却不愿将非法用户分类为合法用户。这时，我们可以适当提高非法用户的权重。
        第二种是样本是高度失衡的，比如我们有合法用户和非法用户的二元样本数据10000条，里面合法用户有9995条，非法用户只有5条，如果我们不考虑权重，则我们可以将所有的测试集都预测为合法用户，这样预测准确率理论上有99.95%，但是却没有任何意义。这时，我们可以选择balanced，让类库自动提高非法用户样本的权重。提高了某种分类的权重，相比不考虑权重，会有更多的样本分类划分到高权重的类别，从而可以解决上面两类问题。

        multi_class：分类方式选择参数，str类型，可选参数为ovr和multinomial，默认为ovr。ovr即前面提到的one-vs-rest(OvR)，而multinomial即前面提到的many-vs-many(MvM)。如果是二元逻辑回归，ovr和multinomial并没有任何区别，区别主要在多元逻辑回归上。
        OvR和MvM有什么不同*？*
        OvR的思想很简单，无论你是多少元逻辑回归，我们都可以看做二元逻辑回归。具体做法是，对于第K类的分类决策，我们把所有第K类的样本作为正例，除了第K类样本以外的所有样本都作为负例，然后在上面做二元逻辑回归，得到第K类的分类模型。其他类的分类模型获得以此类推。
而MvM则相对复杂，这里举MvM的特例one-vs-one(OvO)作讲解。如果模型有T类，我们每次在所有的T类样本里面选择两类样本出来，不妨记为T1类和T2类，把所有的输出为T1和T2的样本放在一起，把T1作为正例，T2作为负例，进行二元逻辑回归，得到模型参数。我们一共需要T(T-1)/2次分类。
        可以看出OvR相对简单，但分类效果相对略差（这里指大多数样本分布情况，某些样本分布下OvR可能更好）。而MvM分类相对精确，但是分类速度没有OvR快。如果选择了ovr，则4种损失函数的优化方法liblinear，newton-cg,lbfgs和sag都可以选择。但是如果选择了multinomial,则只能选择newton-cg, lbfgs和sag了。

                当确定了使用的模型，如果调整参数达到最优效果请看这里​​​​​​​

10.模型指标

       得出结果后，我们需要一些指标来验证你的结果怎么样，大致有混淆矩阵、R2、ROC、AUC、KS等等指标，以后会专门写这个，这个暂时就空着。