关于Logistics回归用于分类的解释

杨利霞

关于Logistics回归用于分类的解释
logistics回归让人最搞不懂的是，明明名字里面带了个回归两个字，为什么这是一种分类算法呢？

) v' k* o4 e/ P  I! z7 `说到回归大家想到的都是根据一些点得出一条直线或者曲线。的确logistics回归也是得出一条直线，然后如果这个点在这条线的一边比如说上面属于一个类别，另一个点处于这条线的另一边比如说下边则属于另一个类别。
( L* ~2 w7 T* F3 H3 Q# D
这条直线是怎么得出的呢？

+ M9 a4 u: e, G首先假设所有的输入为（x0,x1....xn），输入前面的系数为（w0,w1...wn），输出为y

我们可以得出y=w0*x0+w1*x1...wn*xn

然后将系数（w0,w1..wn）取随机值。然后开始训练网络。训练的算法叫做梯度上升算法

1 o; }4 x/ [% U' j9 v% |根据y=w0*x0+w1*x1...wn*xn，我们可以对所有输入（x0,x1...xn）求导即是求梯度。
  p  J8 P3 `) i4 I/ I



; g$ }/ o5 p3 c% z- J4 E. w4 }这个公式什么意思呢？学过微积分的同学都知道，问题是像我这种没学好的就放放吧。大家只要知道能通过将矩阵转一下就能得到，转一下的意思在下面
- h' V3 O& ^* g7 _
4 f: p% Z( a& K0 V' r( ?, F2 N- T假设dataMatIn=array([[3,3],[4,4]])
6 l3 d. t  R6 r! e) z8 M6 C
那么dataMatIn的梯度就是dataMatIn.transpose()   => array([[3,4],[3,4]])
) {$ O' f8 @% g  E# h' O& ^" F; n
. }6 [( }; l$ V- I8 j然后就完成了。

继续讲如何训练的，我们还需要计算期望结果和输出的差error以及假设一个步长a，步长a是根据经验来决定的，步长太短很可能训练了很久还没找到最适合的值，步长太长就能难准确地到达合适的值。
6 F% k* i! j  [+ ~
然后我们的新的w=w+a*array(x0,x1...xn)*error

一般设置循环多少次然后停止或者当error小于多少值得时候算法停止

最后我们还要将y输入进阶跃函数来完成分类。不过由于阶跃函数在零点没有值所以有各种各样的麻烦，所以换成sigmoid函数，当<0.5时等于0，当 >0.5时等于1


  ?. y8 y, j* F