逻辑斯蒂回归(对数几率回归)

首先，对数几率回归和线性回归的一点直观上的理解：

线性回归目的是找到一条直线（或者超平面）尽可能地接近所有的训练数据点，而对数几率回归（二元）的目的是找到一条直线（或者超平面）尽可能地分开两种不同类别的数据点。

简单回顾下线性回归的思路：

线性回归试图找到一组参数Θ从而构建函数h(x)，从而让h(x)尽可能地拟合或者说接近y。一般方法是构建损失函数，采用最小二乘法去最小化J(Θ)。

现在转到对数几率回归：

一开始接触对数几率回归的时候，存在着一点疑问，这看起来是一个分类问题，但是为什么算法的名字有“回归”二字。现在，我对这个问题的理解如下：

分类问题索要的结果非0即1，很明显是个离散的问题。而这里，我们不再要求直接给出分类结果，而是通过要求“分类结果为1的概率”进而得到分类结果（概率>=0.5分类结果为1，否则为0），而概率属于[0,1]，分类，这样一个离散的问题也就变成了连续的问题。

然后折腾下对数几率回归的相关公式:

假设m个样本   标签为 y1……ym，设为给定x条件下y=1的概率,

那么给定x条件下y=0的概率。

定义

各个观测样本之间相互独立，那么它们的联合分布为各边缘分布的乘积。得到似然函数为

解释：

在训练数据中：按照标签y分为两类，y=0的和y=1的。
对于y=1的类，我们希望在已知其对应的X时候，我们的模型能够给出y=1这样的预测，或者说模型对y=1的自信程度（概率）越高越好。所以我们希望最大化pi
而对于y=0的类，我们希望相反的结果，也就是希望最小化pi，最大化1-pi。
总结起来，我们希望最大化的就是倒数第二个最重要的公式。
问题转化成了n+1个w为参数，目标函数最大化问题。

接着问题转化成L（w）似然函数最大化的问题，两边求ln

这样的方程可以写出n+1个，问题转化为求解n+1个方程的解，接下来可以使用牛顿迭代法等进行进一步求解。

文章中部分图片来源于 http://blog.csdn.net/ariessurfer/article/details/41310525