Logistic Regression

逻辑回归，能融合多种特征。

$y=f(W^x+b), y \in \{0, 1\}, f$ 是 link function
线性分类

• 硬分类 :<-> 直接输出输出对应的分类 $y \in \{0, 1\}$

  • 线性判别分析[[Fisher]]

  • [[感知机]]

• 软分类 :<-> 产生不同类别的概率 $y \in [0, 1]$

  • 概率生成式(连续)，类别先验 [[Gaussian Discriminant Analysis]] GDA [[Naive Bayes Classifier]]

    • $P(y=0|x), P(y=1|x)$ 的大小关系

  • 概率判别式(离散) Logisitic Regression

    • 直接对 $$P(Y|X)$$ 建模

逻辑回归

• P(Y|X, \theta)=p_1^yp_0^{1-y}$$ 服从[\[\[Bernoulli Distribution\]\]](/post/logseq/Bernoulli%20Distribution.html) + 求 MLE 转化成 Cross Entropy

• 取 $$z=\ln \frac{P(x|C_1)P(C_1)}{P(x|C_2)P(C_2}$$

  • 激活函数 [[sigmoid]] $f(z)=\frac{1}{1+exp(-z)} \in (0, 1.0)$

    • 阶跃函数不连续，sigmoid函数光滑，处处可导

    • 数据取值范围从正无穷压缩到 0-1

  • 两类联合概率比值的对数

  • odds 几率代表事件发生和不发生的比值 $$\frac{p}{1-p}$$

  • 对数几率的线性回归

• $$P(y=0|x)=\frac{1}{1+\exp(-w^Tx)}$$

• $$P(y=1|x)=\frac{\exp(-w^Tx)}{1+\exp(-w^Tx)}$$

• MLE $$w=\mathop{argmax} \sum(y_i \log p_1 + (1-y_i)\log p_0)=\mathop{argmax} \sum(y_i \log f(x,w) + (1-y_i)\log (1-f(x,w))$$

  • 等价于 Cross Entropy

• 多分类

  • softmax regression

  • 参数冗余

• 多标签：每个标签设计一个分类器

在推荐系统中，LR 当成是一个分类问题处理，通过预测正样本的概率对物品进行排序。将推荐问题转化为预估问题。另外也能使用 [[Pair Wise]]

优点

• 数学含义：用户是否点击广告是一个经典的掷偏心硬币问题，显然符合伯努利分布

• 可解释性强

• 工程化较为简单

[[面试]]

• LR归一化问题

  • 什么情况可以不归一化 :-> 最小二乘法
  • 什么情况必须归一化 :-> 梯度下降算法
  • [[Wide&Deep]]

• 提到LR损失函数要能知道交叉熵，为什么是它，以它为损失函数在优化的是一个什么东西，知道它和KL散度以及相对熵的关系

• 提到LR的求解方法，比如SGD，知道SGD和BGD的区别，知道不同的GD方法有什么区别和联系，二阶优化算法知道什么，对比offline learning和online learning的区别

• 提到调参，知道模型不同超参数的含义，以及给定一个特定情况，大概要调整哪些参数，怎么调整

• 提到LR的正则，知道l1l2的原理，几何解释和概率解释

• LR的分布式实现逻辑是怎么样的，数据并行和模型并行的区别，P-S架构大概是怎么一回事

• LR作为一个线性模型，如何拟合非线性情况？

  • 特征侧比如离散化，交叉组合，模型比如引入kernel，又可以推广到FM等model上

• LR 如何解决低维不可分

  • 通过核函数将特征从低维空间转换到高维空间，高维空间中线性可分的几率会变高