实用指南：逻辑回归（Logistic Regression）

news/2025/11/27 20:00:30/文章来源:https://www.cnblogs.com/yangykaifa/p/19279293

逻辑回归=线性回归+sigmoid函数

逻辑回归简介

逻辑回归（Logistic Regression）是一种用于解决二分类问题的统计学习方法，通过将线性回归的输出映射到[0,1]区间，表示概率。尽管名称中包括“回归”，但逻辑回归实际用于分类任务。

核心公式（Sigmoid函数）

逻辑回归利用Sigmoid函数（或称Logistic函数）将线性组合映射为概率：
$P(y=1 \mid \mathbf{x}) = \sigma(\mathbf{w}^T \mathbf{x} + b) = \frac{1}{1 + e^{-(\mathbf{w}^T \mathbf{x} + b)}}$
其中：

$\mathbf{x}$ 为输入特征向量， $\mathbf{w}$ 为权重参数， $b$ 为偏置项。
$\sigma(\cdot)$ 为Sigmoid函数，输出范围(0,1)。

极大似然估计

极大似然估计的基本概念

极大似然估计（Maximum Likelihood Estimation, MLE）是一种统计方法，用于从观测数据中估计参数。其核心思想是找到一组参数，使得观测数据在该参数下出现的概率最大。

似然函数 $L(\theta \mid x)$ 是参数 $\theta$ 的函数，表示在给定观测信息 $x$ 时参数 $\theta$ 的可能性。

MLE 的目标是最大化似然函数： $\hat{\theta}{\text{MLE}} = \arg\max{\theta} L(\theta \mid x)$

极大似然估计的步骤

构建似然函数假设观测素材 $x_1, x_2, \dots, x_n$ 独立同分布（i.i.d.），

似然函数为： $L(\theta \mid x) = \prod_{i=1}^n f(x_i \mid \theta)$

其中 $f(x_i \mid \theta)$ 是概率密度函数（连续变量）或概率质量函数（离散变量）。

取对数似然函数

由于连乘计算复杂，通常取对数似然函数： $\ell(\theta \mid x) = \log L(\theta \mid x) = \sum_{i=1}^n \log f(x_i \mid \theta)$

求导并解方程 对 $\ell(\theta \mid x)$ 关于 $\theta$ 求导，并令导数为零： $\frac{\partial \ell(\theta \mid x)}{\partial \theta} = 0$ （使得原函数取到最值）

解此方程得到 $\hat{\theta}_{\text{MLE}}$ 。

举个例子就是：

假设我有一个硬币，正常来说投到正反的概率相同，假设投出正面的概率是 $i$ ，那么投出反面的概率是 $1-i$ ，那么我许可很轻松算出投出4个正面和6个反面的概率是 $P=(i)^4(1-i)^6$

如果投出正面的概率是 $0.5$ ，那么投出反面的概率也是 $0.5$ ，投出4个正面和6个反面的概率是 $P=(0.5)^4(1-0.5)^6$

0.5，要求我去计算，而我在投出10枚硬币后，发现出现了四次正面和六次反面，其概率是就是但是现在投出正面的概率不知道，可能也不 $P=(i)^4(1-i)^6$ ，

既然事情已经发生，为了计算概率，当然要使这件事情发生的概率尽可能大，

比如抽奖10抽中了6抽，我不会认为抽中一次的概率是1％，而是认为在60％左右

这里使 $P=(i)^4(1-i)^6$ 发生概率尽可能大才会使得结果更准确，

这个函数由两部分组成，当i趋近于1时（i-1）会接近0导致结果变小，

同样当i趋近于0时i会接近0，也导致结果变小，

所以求解办法一般是求导，当导数为0取到极大值

正常来说回归函数是用来算一个估计值，逻辑回归会把这个值限制在0-1之间

这里的转化会造成一部分损失

逻辑回归的损失函数

逻辑回归通常采用对数似然损失函数（Log-Likelihood Loss），也称为交叉熵损失（Cross-Entropy Loss）。其核心思想是凭借最大化似然函数来优化模型参数。

二元逻辑回归的损失函数

对于二元分类挑战（标签为0或1），损失函数定义如下：

$L(y, \hat{y}) = - \frac{1}{N} \sum_{i=1}^{N} \left[ y_i \log(\hat{y}_i) + (1 - y_i) \log(1 - \hat{y}_i) \right]$

其中：

$y_i$ 是第 $i$ 个样本的真实标签（0或1）。
$\hat{y}_i$ 是模型预测的概率值（即 $\hat{y}_i = \sigma(w^T x_i + b)$ ，其中 $\sigma$ 是sigmoid函数）。
$N$ 是样本数量。

损失函数的推导

逻辑回归假设数据服从伯努利分布，通过极大似然估计推导损失函数：

解释：

定义sigmoid函数将线性输出映射到概率： $\hat{y}_i = \sigma(z_i) = \frac{1}{1 + e^{-z_i}}, \quad z_i = w^T x_i + b$
似然函数为： $\mathcal{L}(w, b) = \prod_{i=1}^{N} \hat{y}_i^{y_i} (1 - \hat{y}_i)^{1 - y_i}$
取负对数似然（转换为最小化困难）： $-\log \mathcal{L}(w, b) = -\sum_{i=1}^{N} \left[ y_i \log(\hat{y}_i) + (1 - y_i) \log(1 - \hat{y}_i) \right]$