当前位置：首页 > article >正文

吴恩达机器学习笔记复盘（十一）逻辑回归的代价和损失函数

article 2025/3/31 14:21:16

简介

逻辑回归是一种二分类算法，损失函数和代价函数和线性回归模型不同。目标是根据特征预测标签Y（0或1）。模型通过参数W和B拟合数据，但如何选择最优参数成为关键。本质上说线性回归的损失函数是对数值本身的误差平均值描述，而逻辑回归的损失函数是对概率的误差平均值描述。

逻辑回归概念复习

为了便于思考，这里重新复述一下逻辑回归的概念，加深记忆。

逻辑回归用于解决二分类问题，其目标是根据输入特征预测样本属于某个类别的概率。对于一个样本 $x$ ，逻辑回归模型通过逻辑函数（也称为Sigmoid函数）将线性组合

$z = w^T x + b$

转换为概率值：

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

其中， $w$ 是权重向量， $b$ 是偏置项。

模型的输出

$\hat{y} = \sigma(w^T x + b)$

表示样本 $x$ 属于正类的概率。

损失函数

损失函数用于衡量单个样本的预测值与真实值之间的差异。在逻辑回归中，常用的损失函数是对数损失函数（Log Loss），也称为交叉熵损失函数（Cross-Entropy Loss）。

对于单个样本 $(x, y)$ ，其中 $y \in \{0, 1\}$ 是真实标签， $\hat{y}$ 是模型的预测概率，对数损失函数定义如下：

- 当 $y = 1$ 时，损失函数为 $-\log(\hat{y})$ 。这意味着如果模型预测为正类的概率 $\hat{y}$ 接近 1，损失就会很小；如果 $\hat{y}$ 接近 0，损失就会很大。

- 当 $y = 0$ 时，损失函数为 $-\log(1 - \hat{y})$ 。同样，如果模型预测为负类的概率 $1 - \hat{y}$ 接近 1，损失就会很小；如果 $1 - \hat{y}$ 接近 0，损失就会很大。

可以将这两种情况合并为一个表达式： $L(\hat{y}, y) = -y \log(\hat{y}) - (1 - y) \log(1 - \hat{y})$

代价函数

代价函数是所有样本的损失函数的平均值，用于衡量整个训练集上模型的性能。

- 非凸性：若直接沿用线性回归的平方误差代价函数，逻辑回归的代价函数会呈现非凸形态，导致梯度下降易陷入局部极小值。

- 图示说明：当模型输出F(x)（逻辑函数值）与真实标签差异较大时，平方误差的曲面会出现多个局部最小值，无法保证全局最优解。

给出解决方案

对于包含 $m$ 个样本的训练集 $\{(x^{(1)}, y^{(1)}), (x^{(2)}, y^{(2)}), \cdots, (x^{(m)}, y^{(m)})\}$ ，逻辑回归的代价函数 $J(w, b)$ 定义为：

$J(w, b) = \frac{1}{m} \sum_{i = 1}^{m} \left[ -y^{(i)} \log(\hat{y}^{(i)}) - (1 - y^{(i)}) \log(1 - \hat{y}^{(i)}) \right]$

其中，

$\hat{y}^{(i)} = \sigma(w^T x^{(i)} + b)$

是第 $i$ 个样本的预测概率。

损失函数和代价函数的特点

- 凸性：逻辑回归的代价函数是凸函数，这意味着它只有一个全局最小值，没有局部最小值。因此，可以使用梯度下降等优化算法来找到全局最优解。

- 单调性：对数损失函数具有单调性，即预测值与真实值之间的差异越大，损失函数的值就越大。这使得模型在训练过程中能够朝着减小损失的方向进行优化。

- 概率解释：对数损失函数可以从最大似然估计的角度进行解释。通过最大化训练数据的似然函数，可以得到最小化对数损失函数的结果。

Python 代码示例

以下是一个非常简单的使用 Python 和 NumPy 实现逻辑回归损失函数和代价函数的示例：

import numpy as np

def sigmoid(z):
    """
    计算 Sigmoid 函数
    """
    return 1 / (1 + np.exp(-z))

def log_loss(y_true, y_pred):
    """
    计算单个样本的对数损失函数
    """
    return -y_true * np.log(y_pred) - (1 - y_true) * np.log(1 - y_pred)

def cost_function(X, y, w, b):
    """
    计算逻辑回归的代价函数
    """
    m = X.shape[0]
    z = np.dot(X, w) + b
    y_pred = sigmoid(z)
    cost = (1 / m) * np.sum(log_loss(y, y_pred))
    return cost

# 示例数据
X = np.array([[1, 2], [3, 4], [5, 6]])
y = np.array([0, 1, 1])
w = np.array([0.1, 0.2])
b = 0.3

# 计算代价函数
cost = cost_function(X, y, w, b)
print("Cost:", cost)

在这个示例中，我们首先定义了 Sigmoid 函数、对数损失函数和代价函数，然后使用示例数据计算了代价函数的值。

通过最小化代价函数，可以找到最优的权重向量 w 和偏置项 b，从而得到一个简单的的逻辑回归模型。