ทำความเข้าใจเกี่ยวกับการถดถอยโลจิสติกและความน่าจะเป็น

การประมาณค่าพารามิเตอร์ / การฝึกอบรมการถดถอยโลจิสติกทำงานอย่างไร ฉันจะพยายามใส่สิ่งที่ฉันได้รับจนถึง

เอาต์พุตคือ y เอาต์พุตของฟังก์ชันลอจิสติกในรูปแบบของความน่าจะเป็นขึ้นอยู่กับค่าของ x: $P (y = 1 | x) = \frac{1}{1 + e^{- ω^{T} x}} \equiv σ (ω^{T} x)$ $P(y=1|x)={1\over1+e^{-\omega^Tx}}\equiv\sigma(\omega^Tx)$ $P (y = 0 | x) = 1 - P (y = 1 | x) = 1 - \frac{1}{1 + e^{- ω^{T} x}}$ $P(y=0|x)=1-P(y=1|x)=1-{1\over1+e^{-\omega^Tx}}$
สำหรับหนึ่งมิติ Odds ที่เรียกว่าถูกกำหนดดังนี้: $\frac{p (y = 1 | x)}{1 - p (y = 1 | x)} = \frac{p (y = 1 | x)}{p (y = 0 | x)} = e^{ω_{0} + ω_{1} x}$ ${{p(y=1|x)}\over{1-p(y=1|x)}}={{p(y=1|x)}\over{p(y=0|x)}}=e^{\omega_0+\omega_1x}$
ตอนนี้เพิ่มlogฟังก์ชันเพื่อรับ W_0 และ W_1 ในรูปแบบเชิงเส้น: $L o g i t (y) = l o g (\frac{p (y = 1 | x)}{1 - p (y = 1 | x)}) = ω_{0} + ω_{1} x$ $Logit(y)=log({{p(y=1|x)}\over{1-p(y=1|x)}})=\omega_0+\omega_1x$
ตอนนี้ถึงส่วนของปัญหา การใช้ความน่าจะเป็น (X ใหญ่คือ y) $L (X | P) = \prod_{i = 1, y_{i} = 1}^{N} P (x_{i}) \prod_{i = 1, y_{i} = 0}^{N} (1 - P (x_{i}))$ $L(X|P)=\prod^N_{i=1,y_i=1}P(x_i)\prod^N_{i=1,y_i=0}(1-P(x_i))$ มีใครบอกได้ไหมว่าทำไมเราถึงพิจารณาความน่าจะเป็นของ y = 1 สองครั้ง ตั้งแต่: $P (y = 0 | x) = 1 - P (y = 1 | x)$ $P(y=0|x)=1-P(y=1|x)$

และวิธีรับค่าของωจากมัน

regression logistic likelihood

คำตอบ:

โดยทั่วไปถือว่าคุณตัดสินใจใช้แบบจำลองของแบบฟอร์ม

P (y = 1 | X = x) = h (x; Θ)

$P(y=1|X=x) = h(x;\Theta)$

สำหรับบางพารามิเตอร์Θจากนั้นคุณก็เขียนความน่าจะเป็นของมันคือ $\Theta$

L (Θ) = \prod_{i \in {1, . . ., N}, y_{i} = 1} P (y = 1 | x = x; Θ) \cdot \prod_{i \in {1, . . ., N}, y_{i} = 0} P (y = 0 | x = x; Θ)

$L(\Theta) = \prod_{i \in \{1, ..., N\}, y_i = 1} P(y=1|x=x;\Theta) \cdot \prod_{i \in \{1, ..., N\}, y_i = 0} P(y=0|x=x;\Theta)$

ซึ่งเหมือนกับ

L (Θ) = \prod_{i \in {1, . . ., N}, y_{i} = 1} P (y = 1 | x = x; Θ) \cdot \prod_{i \in {1, . . ., N}, y_{i} = 0} (1 - P (y = 1 | x = x; Θ))

$L(\Theta) = \prod_{i \in \{1, ..., N\}, y_i = 1} P(y=1|x=x;\Theta) \cdot \prod_{i \in \{1, ..., N\}, y_i = 0} (1-P(y=1|x=x;\Theta))$

ตอนนี้คุณได้ตัดสินใจ 'สันนิษฐาน' (แบบจำลอง)

P (y = 1 | X = x) = σ (Θ_{0} + Θ_{1} x)

$P(y=1|X=x) = \sigma(\Theta_0 + \Theta_1 x)$

σ (z) = 1 / (1 + e^{- z})

$\sigma(z) = 1/(1+e^{-z})$

$\text{argmax}_\Theta L(\Theta)$

บางครั้งคนพูดว่าเมื่อพวกเขากำลังถดถอยโลจิสติกพวกเขาไม่ได้เพิ่มโอกาส (ตามที่เรา / คุณทำข้างต้น) แต่พวกเขาลดฟังก์ชั่นการสูญเสีย

l (Θ) = - \sum_{i = 1}^{N} y_{i} \log (P (Y_{i} = 1 | X = x; Θ)) + (1 - y_{i}) \log (P (Y_{i} = 0 | X = x; Θ))

$l(\Theta) = -\sum_{i=1}^N{y_i\log(P(Y_i=1|X=x;\Theta)) + (1-y_i)\log(P(Y_i=0|X=x;\Theta))}$

$-\log(L(\Theta)) = l(\Theta)$

$P$

— เฟเบียนเวอร์เนอร์
แหล่งที่มา

\prod

$\prod$

L (θ)

$L(\theta)$

y_{i} = 1

$y_i =1$

ω_{1}

$\omega_1$

ω_{0}

$\omega_0$

Σ

$\Sigma$

f (x) = x^{2}

$f(x) = x^2$

x = 3

$x=3$

f

$f$

f

$f$

f^{'} = 2 x

$f' = 2x$

x = 0

$x=0$ มันชี้ไปทางขวาและถ้าเราเหลือมันจะชี้ไปทางซ้าย ในทางคณิตศาสตร์คะแนนอนุพันธ์ไปในทิศทางของ 'แข็งแกร่งขึ้น'

— Fabian Werner

x_{0}

$x_0$

\partial f

$\partial f$

x

$x$

x_{1}

$x_1$

x_{1} = x_{0} + \partial f (x_{0})

$x_1 = x_0 + \partial f(x_0)$

\partial f (x_{1})

$\partial f(x_1)$

x

$x$

x_{2} = x_{1} + \partial f (x_{1})

$x_2 = x_1 + \partial f(x_1)$

L (Θ)

$L(\Theta)$

L (ω)

$L(\omega)$

ω

$\omega$

L

$L$

y = 1

$y=1$

ω

$\omega$

ω

$\omega$

y = 1

$y=1$

y = 1

$y=1$

y = 0

$y=0$

— เฟเบียนเวอร์เนอร์

$, y_i=1$ $,y_i=0$

$\omega$ $\omega$

— Maarten Buis
แหล่งที่มา

y_{i} = 0

$y_i = 0$

ω

$\omega$

\prod_{i = 1, y = 1}^{N}

$\prod_{i=1, y=1}^N$

i = 1

$i=1$

N

$N$

y = 1

$y=1$

มีอัลกอริทึมที่เป็นไปได้มากมายสำหรับการเพิ่มฟังก์ชั่นโอกาส วิธีที่พบมากที่สุดคือวิธีของนิวตัน - ราฟสันซึ่งเกี่ยวข้องกับการคำนวณอนุพันธ์อันดับหนึ่งและสอง

— Maarten Buis