Logistic回归与最大熵模型
2015-08-18 10:15
197 查看
Logistic(逻辑斯谛)回归是统计学习中的经典分类方法。最大熵是概率模型学习的一个准则,将其推广到分类问题得到最大熵模型(maximumentropy model)。Logistic 回归与最大熵模型都属于对数线性模型。
1.逻辑斯谛分布
设 X 是连续随机变量, X 服从逻辑斯谛分布指具有下列分布函数和密度函数:
式中 u 为位置参数, r>0为形状参数。逻辑斯谛分布函数图形如下图所示
2. 二项逻辑斯谛回归模型
二项逻辑斯谛回归模型是一种分类模型,由条件概率分布 P(Y|X)表示,形式为参数化的逻辑斯谛分布。随机变量Y取值 1 和0.
这里 w 称为权值向量,b 称为偏置,w*b为 w 和 x 的内积。
有时为了方便,将权值向量和输入向量加以扩充,仍记作 w, x, 即 w= (w(1) ,w(2).....w(n) ,b)T,x = (x(1), x(2).....x(n))T。这时逻辑斯谛回归模型如下:
逻辑斯谛回归模型的特点:一个事件发生的几率(odds)是指事件发生的概率与该事件不发生的概率的比值。如果事件发生的概率为p,那么几率为p/(1-p),该事件的对数几率 log(odds)=log(p/(1-p)). 对于逻辑斯谛回归而言,得
这就意味着在逻辑斯谛回归模型中,输出Y=1的对数几率是输入 x 的线性函数,或者说,输出 Y=1的对数几率是由输入 x的线性函数表示的模型即逻辑斯谛回归模型。换一个角度说,考虑对输入 x 进行分类的线性函数w*x,其值域为实数域,通过逻辑斯谛回归模型定义可以将线性函数转换为上式概率,线性函数值越接近正无穷,概率值就越接近于1;线性函数的值越接近负无穷,概率值就越接近于0。
1.3 模型参数估计
使用极大似然估计法估计模型参数,从而得到逻辑斯谛回归模型。设
似然函数为:
对数似然函数为:
对 L(w)求极大值,得到 w的估计值。这样,问题就变成了以对数似然函数为目标函数的最优化问题。逻辑斯谛回归学习中通常采用的方法的是梯度下降法及拟牛顿法。
1.逻辑斯谛分布
设 X 是连续随机变量, X 服从逻辑斯谛分布指具有下列分布函数和密度函数:
式中 u 为位置参数, r>0为形状参数。逻辑斯谛分布函数图形如下图所示
2. 二项逻辑斯谛回归模型
二项逻辑斯谛回归模型是一种分类模型,由条件概率分布 P(Y|X)表示,形式为参数化的逻辑斯谛分布。随机变量Y取值 1 和0.
这里 w 称为权值向量,b 称为偏置,w*b为 w 和 x 的内积。
有时为了方便,将权值向量和输入向量加以扩充,仍记作 w, x, 即 w= (w(1) ,w(2).....w(n) ,b)T,x = (x(1), x(2).....x(n))T。这时逻辑斯谛回归模型如下:
逻辑斯谛回归模型的特点:一个事件发生的几率(odds)是指事件发生的概率与该事件不发生的概率的比值。如果事件发生的概率为p,那么几率为p/(1-p),该事件的对数几率 log(odds)=log(p/(1-p)). 对于逻辑斯谛回归而言,得
这就意味着在逻辑斯谛回归模型中,输出Y=1的对数几率是输入 x 的线性函数,或者说,输出 Y=1的对数几率是由输入 x的线性函数表示的模型即逻辑斯谛回归模型。换一个角度说,考虑对输入 x 进行分类的线性函数w*x,其值域为实数域,通过逻辑斯谛回归模型定义可以将线性函数转换为上式概率,线性函数值越接近正无穷,概率值就越接近于1;线性函数的值越接近负无穷,概率值就越接近于0。
1.3 模型参数估计
使用极大似然估计法估计模型参数,从而得到逻辑斯谛回归模型。设
似然函数为:
对数似然函数为:
对 L(w)求极大值,得到 w的估计值。这样,问题就变成了以对数似然函数为目标函数的最优化问题。逻辑斯谛回归学习中通常采用的方法的是梯度下降法及拟牛顿法。
相关文章推荐
- k近邻
- 决策树
- 数据库三范式详解
- LIBSVM使用方法及参数设置(转)
- 浅谈支持向量机
- matlab 函数meshgrid的用法
- Matlab演示Parzen窗法
- matlab size,length,numel函数的用…
- 基于物品的协同过滤算法
- 基于用户的协同过滤算法
- 2015-8-18进一步修改
- 根据用户在tableview中点击(触摸)cell的自定义accessoryButton获得其indexpath
- 大白话系列之C#委托与事件讲解(序言)
- AHB-Lite简介
- 当当网
- 屏蔽所有统计代码(51.la cnzz 百度统计 谷歌分析师adsense、屏蔽淘宝客广告代码)的方法
- JackSon 数据之间的转换 java
- MYSQL-目录文件分配查询
- Gradle Android最新自动化编译脚本
- Oracle 分区操作