当前位置：首页 > article >正文

【机器学习chp6】对数几率回归

article 2024/11/22 10:18:04

推荐文章1，其中解释了负log似然损失等价于交叉熵损失。

【王木头·从感知机到神经网络】-CSDN博客

推荐文章2，其中有牛顿法的介绍

【王木头·梯度下降法优化】随机梯度下降、牛顿法、动量法、Nesterov、AdaGrad、RMSprop、Adam-CSDN博客

推荐文章3，其中通过实例介绍了各种二分类模型的评价指标

【机器学习】二分类模型评估方法大全-CSDN博客

前言

本文遗留问题：

（1）案例分析未完成。

（2）分类模型评价指标实验需回顾。

前言

一、对数几率回归模型

1、分类任务

（1）分类任务概述

（2）两类分类任务

2、对数几率回归模型

（1）Sigmoid 函数

（2）对数几率回归模型

二、对数几率回归的损失函数

1、0/1损失

2、交叉熵损失

3、对数几率回归模型的目标函数

（1）对数几率回归模型的目标函数

（2）对数几率回归中正则化的必要性

三、对数几率回归的优化求解

1、梯度下降求解

（1）目标函数形式

（2）损失函数梯度

（3）Hessian矩阵正定——逻辑回归极小值是最小值

2、牛顿法求解

3、拟牛顿法介绍

4、Logistic回归的牛顿求解：IRLS

四、多类分类任务的对数几率回归

1、1vs.其他

2、多项分布直接实现多分类任务

3、损失函数

五、分类任务中的样本不均衡问题

1、概述

2、从数据角度解决

（1）随机上/下采样

（2）下采样与集成学习

（3）上采样与样本合成

3、从算法层面解决

（1）代价敏感学习

（2）Scikit-Learn中的不均衡样本分类处理

六、分类模型的评价指标

七、对数几率回归案例分析

八、⭐⭐全文总结⭐⭐

一、对数几率回归模型

1、分类任务

（1）分类任务概述

监督学习的定义：

给定训练数据集 $D = \{(x_i, y_i)\}_{i=1}^N$ ，其中 $x_i$ 是输入特征， $y_i$ 是输出或响应。

分类任务：

当 $y_i \in \{1, 2, \ldots, C\}$ 时，监督学习任务称为分类任务。目标是学习从输入 $x$ 到输出 $y$ 的映射 $f$ 。

测试阶段：

利用学习到的映射 $f(x)$ 对新的数据 $x$ 进行预测 $\hat{y}$ 。

分类任务的重点是构建一个模型 $f(x)$ 来捕捉输入 $x$ 与输出 $y$ 的关系，并在测试数据上进行预测。

（2）两类分类任务

两类分类的输出： $y_i \in \{0, 1\}$ 。

伯努利分布：两类分类任务的概率分布可以用伯努利分布描述： $p(y; \mu) = \mu^y (1 - \mu)^{1-y}$ 其中， $\mu$ 表示事件 $y=1$ 的概率。

对于输入 $x$ ，输出 $y$ 的条件分布用 $\mu(x)$ 描述：

$y | x \sim \text{Bernoulli}(\mu(x))$

此处 $\mu(x)$ 表示在输入 $x$ 的情况下， $y=1$ 的概率。

2、对数几率回归模型

（1）Sigmoid 函数

定义： $\sigma(z) = \frac{1}{1 + e^{-z}}$

导数： $\frac{d \sigma(z)}{dz} = \sigma(z) (1 - \sigma(z))$

Sigmoid 函数的特性在于其值域在 $(0, 1)$ ，适合作为概率值。

（2）对数几率回归模型

概率密度函数： $p(y|x; \mu) = \mu(x)^y (1 - \mu(x))^{1-y}$

线性模型：假设 $\mu(x)$ 的形式为： $\mu(x) = w^T x$ 但由于 $\mu(x)$ 是概率值，需在区间 $[0, 1]$ 内，因此将其通过 sigmoid 函数约束： $\mu(x) = \sigma(w^T x)$ 其中 sigmoid 函数为： $\sigma(z) = \frac{1}{1 + e^{-z}}$

对数几率回归使用 sigmoid 函数将线性模型的输出变换为概率。

对数几率：

定义一个事件的几率(odds)为该事件发生的概率与不发生的概率的比值：

$\frac{p(y = 1|x)}{p(y = 0|x)} = \frac{\sigma(w^T x)}{1 - \sigma(w^T x)} = \frac{\frac{1}{1 + e^{-w^T x}}}{1 - \frac{1}{1 + e^{-w^T x}}} = e^{w^T x}$

两边同取log运算，得到对数几率:

$\ln \frac{p(y = 1|x)}{p(y = 0|x)} = \ln \left(e^{w^T x}\right) = w^T x$

决策边界：

分类规则：根据后验概率的大小进行分类： $p(y=1|x) > p(y=0|x) \implies w^T x > 0 \implies y=1$ 决策边界是 $w^T x = 0$ ，此时 $y=1$ 和 $y=0$ 的概率相等。

二、对数几率回归的损失函数

1、0/1损失

若预测值 $\hat{y}$ 等于真实值 $y$ ，损失为 0；否则为 1：

缺点：0/1 损失函数不连续，导致优化计算困难。

替代：通常选用凸损失函数（如交叉熵损失），它连续且易于优化，且与 0/1 损失结果一致。

2、交叉熵损失

交叉熵损失描述了两个分布之间的差异，用于分类任务中概率分布的对比。

在对数几率回归模型中：

$L(\mu(x), y) = -y \ln(\mu(x)) - (1 - y) \ln(1 - \mu(x))$

其中：

$\mu(x) = \sigma(w^\top x)$ ，表示预测为正类的概率；
$\sigma(z) = \frac{1}{1 + e^{-z}}$ 是 Sigmoid 函数。

交叉熵损失等价于负log似然损失，详细的分析在推荐文章1。

3、对数几率回归模型的目标函数

（1）对数几率回归模型的目标函数

对数几率回归的目标函数包含两部分：

损失项：交叉熵损失，用于衡量预测值与真实值之间的差异；
正则化项：用于避免模型过拟合，限制权重大小。

数学表达式：

$J(w; \lambda) = \sum_{i=1}^{N} L(y_i, \mu(x_i; w)) + \lambda R(w)$

其中：

$\lambda$ 是正则化强度的超参数；
是正则化项，可以选择：
- $L1$ 正则： $R(w) = |w|_1$ ；
- $L2$ 正则： $R(w) = |w|_2^2$ ；
- 或两者的组合。

（2）对数几率回归中正则化的必要性

从贝叶斯角度来看，正则化的引入是为了在参数估计过程中加入先验信息，以便对模型的复杂性进行约束，防止过拟合。在没有正则化的情况下，实际上就是在没有任何先验假设的情况下进行最大似然估计 (MLE)，即直接根据数据推断参数。

当你使用对数几率回归（logistic regression）并且没有引入正则化时，模型的训练目标仅仅是最大化似然函数。这个过程中，尤其在训练数据完全可分的情况下，最大化似然函数会导致权重参数无限增大，因为这样的增大能够让模型的决策边界完美地将正负样本分开，从而使得训练误差趋近于零。

贝叶斯视角下来看，这意味着我们没有任何先验信息来约束参数的大小，导致在没有任何限制的情况下，模型会过度拟合数据，参数趋向无穷大。具体来说，在数据完全可分时，似然函数趋向无穷大，因为随着参数增大，模型能够越来越准确地分类每一个样本，但这种无穷大的可能性缺乏对参数的合理限制。

问题：为什么参数大可以让能够让模型的决策边界完美地将正负样本分开，从而使得训练误差趋近于零？

在逻辑回归中，模型试图找到一个最优的决策边界来将正负样本区分开。随着模型参数（ $\theta$ ) 增大：

增大参数时， $\theta^T x_i$ 会变得更大或更小：对于正样本（ $y_i = 1$ ），当参数 $\theta$ 增大时， $\theta^T x_i$ 会变得更大，使得 $\sigma(\theta^T x_i)$ 更接近1；对于负样本（ $y_i = 0$ ），如果参数 $\theta$ 继续增大， $\theta^T x_i$ 会变得更小，使得 $\sigma(\theta^T x_i)$ 更接近0。
“完美拟合”：当模型参数足够大时，正样本的预测概率会接近1，负样本的预测概率会接近0。这意味着模型能够完美地分开所有正负样本，产生一个理想的决策边界。
极端情况下的无穷大：在训练数据完全线性可分的情况下，最大化似然函数会导致参数不断增大，从而使得模型对每个样本的分类概率趋向于极端值（1或0），从而使决策边界完全分开正负样本。

当训练数据 不完全可分 时，理论上来说，正则化并不是绝对必要的，但引入正则化依然是一种常见的做法。

当训练数据 不完全可分 时，训练数据中正负样本可能重叠，且存在无法通过一个简单的线性决策边界完美分开的情况。这意味着，即使模型参数增大，也无法使得所有样本的预测概率趋近于0或1。在这种情况下，模型会尽量减少训练误差，但它不会过度增大参数来“强行”分开样本，而是会在一个较为合理的范围内收敛，从而实现较好的拟合。

三、对数几率回归的优化求解

对数几率回归的目标函数通常无法通过解析方式直接求解，因此需要使用数值优化的方法。主要的优化方法有：

梯度下降法：

随机梯度下降(SGD)：每次使用一个样本点进行梯度更新，收敛速度快，但容易受到噪声干扰。
随机平均梯度(SAG)：改进了SGD，通过利用历史梯度信息进行加权平均，减少震荡。
SAGA：进一步优化了SAG算法，适用于非凸问题。
坐标轴下降法：逐次优化每个变量。（当使用L1正则时只能用坐标轴下降）

牛顿法和拟牛顿法：

使用二阶导数（Hessian矩阵）进行优化，收敛速度更快，但计算开销较大。包括BFGS和L-BFGS等方法。

1、梯度下降求解

（1）目标函数形式

$J(w, \lambda) = C \sum_{i=1}^{N} L(\mu(x_i; w), y_i) + R(w)$

$L(\mu(x_i; w), y_i)$ ：交叉熵损失，定义了模型预测值与真实标签的偏离程度。
$R(w)$ ：正则化项，防止模型过拟合。可以是L1正则、L2正则，或二者结合。
$C$ ：超参数，用于平衡损失函数和正则项。起到正则作用， $C$ 越大，正则越少。

（2）损失函数梯度

梯度的表达式是：

$g(w) = \nabla_w J_1(w) = X^T (\mu - y)$

其中：

$\mu = \sigma(Xw)$ ，表示模型的预测值；
$y$ 是真实标签；
$X^T$ 为输入数据的转置。

梯度下降法使用梯度信息沿负梯度方向更新权重，更新公式为：

$w^{(t+1)} = w^{(t)} - \eta g(w)$

其中 $\eta$ 是学习率。

（3）Hessian矩阵正定——逻辑回归极小值是最小值

Hessian矩阵 $H(w)$ 的定义：

$H(w) = \frac{\partial g(w)}{\partial w^T}$

展开梯度的二阶导数：

$H(w) = \frac{\partial \left( \sum_{i=1}^N (\mu(x_i, w) - y_i) x_i \right)}{\partial w^T}$

通过链式法则得到：

$H(w) = \sum_{i=1}^N \mu_i (1 - \mu_i) x_i x_i^T$

使用矩阵表示：

$H(w) = X^T S X$

其中：

$\mu_i = \mu(x_i, w) = \sigma(w^T x_i)$
$S = \text{diag}(\mu_i(1 - \mu_i))$ ，为对角矩阵
$X$ 为输入特征矩阵， $x_i$ 表示单个样本的特征向量。

所以Hessian矩阵为正定矩阵，梯度下降能找到全局最小值。

2、牛顿法求解

推荐文章2中有关于牛顿法的简单介绍

对数几率回归的牛顿法梯度下降的迭代公式为：

$w^{(t+1)} = w^{(t)} - H(w)^{-1} g(w)$

优点是收敛速度快，缺点是需要计算和存储Hessian矩阵，计算复杂度较高。

3、拟牛顿法介绍

牛顿法比一般的梯度下降法收敛速度快。

但在高维情况下，计算目标函数的二阶偏导数的复杂度高，而且有时候目标函数的海森矩阵无法保持正定，不存在逆矩阵，此时牛顿法将不再能使用。

因此人们提出了拟牛顿法：不用二阶偏导数构造出可以近似Hessian矩阵(或Hessian矩阵的逆矩阵)的正定对称矩阵，进而再逐步优化目标函数。

不同的Hessian矩阵构造方法产生了不同的拟牛顿法，BFGS／L-BFGS

4、Logistic回归的牛顿求解：IRLS

四、多类分类任务的对数几率回归

1、1vs.其他

对每个类别 $c$ ，训练一个对数几率回归分类器 $f^{c}_{w}(x)$ ，预测 $y=c$ 概率

对新的输入 $x$ ，选择使得 $f^{c}_{w}(x)$ 最大的类别作为预测（最大后验估计， MAP）

即

$\hat{y}=\underset{c}{argmax}f^{c}_{w}(x)$

2、多项分布直接实现多分类任务

Bernoulli分布用于描述二分类任务，而Multinoulli分布（即多项分布）用于多类分类任务。

Multinoulli分布的参数表示为类别的概率向量 $\theta = (\theta_1, \theta_2, ..., \theta_C)$ ，其中每个分量表示对应类别的概率，所有分量和为1。

softmax函数及分类

Softmax函数扩展了Sigmoid函数，用于将线性组合的输出转换为类别概率。其公式为： $\sigma(z_c) = \frac{e^{z_c}}{\sum_{c'=1}^C e^{z_{c'}}}$

Softmax分类器适合处理多类分类任务，通过计算每个类别的概率并选择最大概率的类别作为最终输出。

3、损失函数

定义为负对数似然损失（Negative Log-Likelihood Loss）。损失函数形式为：

$L(\mu, y) = -\sum_{c=1}^C y_c \ln(\mu_c)$

等价为交叉熵损失。

最大化似然估计等价于最小化训练集上的损失。

五、分类任务中的样本不均衡问题

1、概述

样本不均衡问题是指在分类任务中，不同类别的样本数量差异很大。例如：

少数类的样本数量远小于多数类。
导致模型在训练时倾向于多数类，从而忽略少数类的特征。

出现场景：

搜索引擎：点击预测中，点击的网页占比很小。
电子商务：商品推荐中，被推荐商品被购买的概率低。
信用卡欺诈检测：欺诈样本极少。
网络攻击识别：正常访问请求占绝大多数。
医疗诊断：罕见疾病的病例稀少。

这些场景中，少数类虽然样本少，但通常是更重要的，忽视少数类可能导致模型实用性降低。

解决样本不均衡问题可从数据角度或算法角度。

2、从数据角度解决

通过数据增强或预处理的方式平衡数据分布。

（1）随机上/下采样

随机下采样：

从多数类中随机选择少量样本，与少数类样本结合构建新的训练集。

优点：减少多数类样本对模型的偏向。

缺点：可能丢失信息，导致模型性能下降。

随机上采样：

随机复制少数类样本来增加样本量。

优点：平衡类别分布，充分利用现有数据。

缺点：易导致过拟合，模型可能“记住”重复的少数类样本。

（2）下采样与集成学习

EasyEnsemble算法：

将多数类样本通过有放回抽样生成多个子集。
每个子集与少数类样本组合形成一个训练数据集，分别训练多个模型。
最终预测结果为这些模型输出的平均值。
这种方法通过集成学习增强了模型对少数类的分类能力。

BalanceCascade（级联）算法：

根据已有模型的预测准确性，从多数类样本中有效地选择与少数类样本结合生成新的数据集。
对每轮训练中未正确分类的样本，作为下一轮训练的重要部分，直到满足某种停止条件。
最终模型由这些迭代模型的组合形成。

优点：

针对少数类的特征进行多样化训练，能够增强模型的泛化能力。
适合处理多数类数据量较大的场景。

缺点：

多次采样和模型训练可能会增加计算复杂度。

（3）上采样与样本合成

SMOTE算法（Synthetic Minority Over-sampling Technique合成少数过采样技术）：

通过插值法生成新的少数类样本。
步骤：
1. 对于少数类样本 $x_i$ ，找到其 $K$ 个最近邻样本。
2. 随机选择一个最近邻样本 $x_{near}$ 。
3. 在 $x_i$ 和 $x_{near}$ 之间生成一个新的样本： $x_{new} = (1-\xi)x_i + \xi x_{near}, \xi \in [0, 1]$
新样本是通过少数类样本之间的插值生成，旨在增加少数类样本的分布密度。