SVM与Logistic回归的关系
2017-09-25 12:47
148 查看
合页损失函数
[z]+={z,z>00,z≤0SVM的目标函数
对于线性SVM,我们知道它的原始最优化问题为:minw,b,ξ1/2||w||2+CΣNi=1ξis.t.yi(w⋅xi+b)≥1−ξi,i=1,2,...,Nξi≥0,i=1,2,...,N
对于原始优化问题,当yi(w⋅xi+b)≥1时,数据点落在了间隔边界正确的一侧,这时ξi为0,而当yi(w⋅xi+b)<1的时候,这时ξi=1−yi(w⋅xi+b).
因此,SVM的优化问题可以转化为最优化以下问题:
minw,bΣNi=1[1−yi(w⋅xi+b)]++λ||w||2
其中,λ=(2C)−1
Logistic的目标函数
对于logistic回归,我们知道sigmoid函数的形式为f(a)=11+exp{−(w⋅x+b)}=11+exp(−a)
其中a=w⋅x+b
sigmoid函数的性质:
对称性:f(−a)=1−f(a)
∂f∂a=f(1−f)
应用极大似然函数估计模型参数,首先构造似然函数,我们知道logistic回归模型为p(y=1|x)=π(x),p(y=0|x)=1−π(x),则似然函数为:
Z=ΠNi=1[π(xi)]yi[1−π(xi)]1−yi
取似然函数的负对数得到误差函数,这个误差函数就是交叉熵(cross-entropy)误差函数:
L1=−lnZ=−ΣNi=1[yilogπ(xi)+(1−yi)log(1−π(xi))]
去掉前面负号不影响优化问题,则:
L2=ΣNi=1[yilogπ(xi)+(1−yi)log(1−π(xi))]
在处理logistic回归时,为了比较方便,我们对目标变量y∈{0,1}进行操作,使用目标函数y∈{−1,1}重写最大似然logistic函数。我们知道,p(y=1|a)=f(a),p(y=−1|a)=1−f(a)=f(−a),根据sigmoid函数的对称性质,我们有:
p(y|a)=f(ay)=11+exp(−ay)
从上式子中通过对似然函数取负对数构造一个带正则化项的误差函数:
L=ΣNi=1ln(1+exp(−aiyi))+λ||w||2
把最终式换回去:
minw,bL=ΣNi=1ln(1+exp(−(w⋅xi+b)yi)+λ||w||2
和SVM作对比:
minw,bΣNi=1[1−yi(w⋅xi+b)]++λ||w||2
因此,SVM和Logistic回归有相似的目标函数
附加:
logistic回归与最大熵模型的关系
相关文章推荐
- 支持向量机SVM(一):支持向量机SVM的推倒:从logistic回归,到函数间隔,集合间隔,到寻找最优间隔分类器。
- 机器学习 之 SVM VC维度、样本数目与经验风险最小化的关系
- softmax回归梯度计算及其与logistic回归关系
- Logistic回归以及LR与SVM异同
- Logistic回归以及LR与SVM异同
- SVM和logistic回归分别在什么情况下使用?
- 机器学习集成算法--- 朴素贝叶斯,k-近邻算法,决策树,支持向量机(SVM),Logistic回归
- SVM和logistic回归的比较
- SVM与Logistic回归的区别
- 机器学习 之 SVM VC维度、样本数目与经验风险最小化的关系
- 修复查看系统服务的依存关系时报错:找不到WMI
- 【Android 界面效果10】Android中View,ViewGroup,Window之间的关系
- 自定义view和View、Window、Activity、Dispay之间的关系
- JavaScript、jQuery与Ajax的关系
- CString const char*与char*之间的转换关系
- 控制主从表的关系
- Spring中DispacherServlet、WebApplicationContext、ServletContext的关系
- 《unix环境高级编程》-09、进程关系-读书笔记
- Apache\html+css+javascript\PHP之间的关系
- UML类图(Class Diagram)中类与类之间的关系及表示方式