对于一个机器学习方法，通常由模型、策略和算法3个要素构成。

• 模型是假设空间的形式，如是线性函数还是条件概率；
• 策略是判断模型好坏的数学表达式，将学习问题转化为优化问题，一般策略对应一个代价函数（Cost Function）；
• 算法是上述优化问题的求解方法，有多种方法，如梯度下降法、直接求导、遗传算法等。

---

目录

1 逻辑回归原理

2 Sigmoid函数 

3 逻辑回归理论公式推导 

4 逻辑回归算法的改进——正则化 

5 Matlab实践

---

1 逻辑回归原理

逻辑回归是一种广义的线性模型。虽然被称为回归，但在实际应用中常被用作分类，用于估计某个事件发生的概率。例如某用户购买商品的可能性，某病人患有某种疾病的可能性，某广告被用户点击的可能性等。

• 首先基于线性模型。若为了解决分类问题，需要把线性模型的输出做一个变换，利用Sigmoid函数，将实数域的输出映射到（0，1）区间，为输出提供了很好的概率解释。
• 其次策略方面，采用了交叉熵损失函数；
• 第三算法方面，为了最小化损失函数，采用了梯度下降方法。

2 Sigmoid函数 

3 逻辑回归理论公式推导 

——模型 

其中p(y|x;w)是0-1分布（伯努利分布）。 

——策略（定义损失函数）

求解w，定义一个指标衡量w的表现，即代价函数，利用最大似然法。

了衡量算法在全部训练样本上的表现如何，我们需要定义一个算法的代价函数，算法的代价函数是对𝑚个样本的损失函数求和然后除以𝑚（一般文献中）

——算法（梯度下降法）

α为迭代步长，为假设集在第 i 个样本处的取值，为真实的标签值。

4 逻辑回归算法的改进——正则化 

正则化，减少模型复杂度的一个方法。一般通过在目标函数上增加一个惩罚项。 

这里是岭回归（Ridge Regression），对范数求导，得到梯度变化为：

一般通过把系数消掉。

也将L2正则称为权重衰减。

5 Matlab实践

建模车辆里程数测试中出现问题的比例和车重量之间的关系。观测值包括车重、车的数量和损失的数量。

假设车辆损失数应该服从二项分布，最简单的想法是P（概率）和重量呈线性关系。

%% 原始数据
%一系列不同重量的车
weight = [2100 2300 2500 2700 2900 3100 3300 3500 3700 3900 4100 4300]';
%各个重量类型的车的数目
tested = [48 42 31 34 31 21 23 23 21 16 17 21]';
%每个重量的车辆在测试中fail掉的数目
failed = [1 2 0 3 8 8 14 17 19 15 17 21]';
%故障率
proportion = failed ./ tested;
figure(1)
plot(weight,proportion,'s')
xlabel('重量');ylabel('比例');

%% 线性拟合
%ployfit(x,y,n)执行多项式拟合，n代表多项式阶数，当n=1时，表示线性关系，返回多项式系数
linearCoef = polyfit(weight,proportion,1)
%value = ployval(p,x)返回多项式的值，p是多项式系数，降序排列
linearFit = polyval(linearCoef,weight);
figure(2)
line2 = plot(weight,proportion,'s',weight,linearFit,'r-',[2000 4500],[0 0],'k:',[2000 4500],[1,1],'k:');
xlabel('重量');ylabel('比例');
set(gcf,'Position',[100 100 350 280]);
set(gca,'FontSize',9);
set(line2,'LineWidth',1.5)

使用上述模型线性拟合，存在两个问题：

• 线性拟合会出现比例小于0或大于1的情况，而概率只能是[0,1]区间的数；
• 比例值不是正态分布的，违背了线性回归模型的假设条件。

下面使用高阶多项式看是否解决这些问题。

%% 多项式拟合
%区别在于这里选用3阶多项式，返回的stats是一个结构体，作为polyval函数的输入
%可用于误差估计，ctr包含了均值和方差，可用于对输入x归一化
[cubicCoef,stats,ctr] = polyfit(weight,proportion,3)
cubicFit = polyval(cubicCoef,weight,[ ],ctr); %利用归一化的weight进行多项式拟合
figure(3)
line = plot(weight,proportion,'s',weight,cubicFit,'r-',[2000 4500],[0 0],'k:',[2000 4500],[1,1],'k:');
xlabel('重量');ylabel('比例');
set(gcf,'Position',[100 100 350 280]);
set(gca,'FontSize',9);
set(line,'LineWidth',1.5)

此模型仍存在问题。

• 当车辆重量超过4000时，比例开始下降，当重量继续增加时，比例可能下降到0以下。
• 正态分布的假设依然不合理。

利用glmfit拟合一个Logistic回归模型，其优于线性回归模型的两点：

• Logistic回归中的Sigmoid函数将输出值限制在[0,1]之间，符合此例问题情况；
• Logistic回归采用的拟合方法适用于二项分布。 

%% glmfit拟合
% 在glmfit中一般response是一个列向量，但是当分布是二项分布时，y可以是一个二值向量，
% 表示单次观测中成功还是失败，也可以是一个两列的矩阵，第一列表示成功的次数（目标出现的次数），
% 第二列表示总共的观测次数，因此这里y=[failed,tested]
% 另外指定distri='binomal',link='logit'
[logitCoef1,dev1] = glmfit(weight,[failed tested],'binomial','logit');
% glmval用于测试拟合的模型，计算出估计的y值
logitFit = glmval(logitCoef1,weight,'logit');
figure(4)
line3 = plot(weight,proportion,'bs',weight,logitFit,'r-');
xlabel('重量');ylabel('比例');
set(gcf,'Position',[100 100 350 280]);
set(gca,'FontSize',9);
set(line3,'LineWidth',1.5)
legend('数据','logistics回归')

上述主要利用广义线性模型实现Logistic回归。

当重量太小或太大时，故障率要么无限接近0，要么无限接近1，且曲线很好地刻画了数据点的分布，故而为一个合理的模型。

下面进行预测。 

%% 预测
[logitCoef,dev,stats] = glmfit(weight,[failed tested],'binomial','logit');
normplot(stats.residp);
weightPred = 2500:500:4000;
% dlo和dhi是置信区间的下限和上限
[failedPred,dlo,dhi] = glmval(logitCoef,weightPred,'logit',stats,0.95,100);
figure(5)
line = errorbar(weightPred,failedPred,dlo,dhi,'r:');

当车的重量为3000时，测试中出现故障的车辆数约为30.2辆，

有95%的概率会有（30.2-7.3，30.2+8.4）辆车出现故障。

Python参考：

机器学习练习2-逻辑回归_YukinoPon的博客-CSDN博客

https://www.cnblogs.com/Qiao-Q/p/16837426.html

sklearn-逻辑回归_sklearn逻辑回归_CHEN的小喵的博客-CSDN博客