title
24秋机器学习笔记-02-逻辑回归
date
2024-09-18 16:09:12 -0700
tags
categories
本文主要涉及逻辑回归（Logistic Regression）及相关拓展。
一键回城 。
虽然叫“回归”，但是实际是用于处理二分类 （binary classification）问题的。记号约定与之前类似：$x \in \mathbb{R}^d$，但是 $y \in {0,1}$ ，$f(x) = w^Tx + b$ 不变。
不过，如果我们需要 hard prediction（即 $y_i = 0$ 或 $1$ ），怎么从这个 $f(x) \in \mathbb{R}$ 得到？更进一步地，如果我们需要的是一个所谓的 $y_i = 1$ 的概率 （soft prediction）呢？
或者说，可以这样描述我们的问题：
$P(y = 1 \mid x) \in [0,1]$ 是有界的，但 $f(x) \in \mathbb{R}$ 无界；
并没有一个针对 $P(y = 1\mid x)$ 的 ground truth，我们只有硬分类数据 ${(x_i, y_i)}$ 而非 ${(x_i, P(y_i = 1|x_i))}$ 。
为了解决第一个问题，我们引入 Sigmoid 函数：
$$
\sigma(x) = \frac{1}{1 + \exp(-x)}
$$
这个函数的性质特别好，其在 $\mathbb{R}$ 上单调，并且值域是 $(0,1)$ ，所以我们可以用 $\sigma(f(x))$ 来刻画这个概率 $P(y = 1\mid x)$ 。如果想要一个硬分类，那就设一个阈值 $k$ ，对于预测结果 $\ge k$ 的情况，预测为 $1$ ；否则预测为 $0$ 。注意到此时 $w^Tx + b$ 就是所谓的分隔超平面（seperating hyperplane）
为了解决第二个问题，我们使用最大似然估计法 （Maximum Likelihood Estimation, MLE），其哲学在于找寻使得你的概率模型在观测数据上的似然达到最大化的参数 。
对于逻辑回归，单个数据点的似然即为
$$
P(y = y_i \mid x = x_i) = \begin{cases} y_i = 1, &P(y = 1\mid x=x_i) = \sigma(f(x_i)) \ y_i = 0, &P(y = 0\mid x = x_i) = 1 - \sigma(f(x_i)) = \sigma(-f(x_i)) \end{cases}
$$
对于所有的数据点，乘起来即可：
$$
\prod_{i \in [n]} P(y = y_i \mid x = x_i) = \prod_{i \in [n]}\left[ \sigma(f(x_i))^{y_i}(1 - \sigma(f(x_i)))^{1 - y_i} \right]
$$
最大化之等价于最大化其对数（对数似然，log-likelihood），即
$$
\max_{w,b} \sum_{i \in [n]} \left[ y_i \log \sigma(f(x_i)) + (1 - y_i)\log(1 - \sigma(f(x_i))) \right]
$$
（考虑到 $\sigma(z) \in (0,1)$ ，连乘起来可能出现数值上无穷小，所以不妨取对数）
最大化对数似然等价于
$$
\min_{w,b} \left{ -\sum_{i \in [n]} \left[ y_i \log \sigma(f(x_i)) + (1 - y_i)\log(1 - \sigma(f(x_i))) \right] \right}
$$
括号里的东西称为交叉熵损失（Cross Entropy Loss, CELoss）
熵（entropy）可用于描述“混乱程度”，对于随机变量 $Y$ ，其熵被定义为
$$
\begin{aligned}
H(Y) &= -\sum_y P(y) \log P(y) \\
&= \sum_y P(y) \log \frac{1}{P(y)}
\end{aligned}
$$
“各个事件的等价程度越高，熵就越高”。
$P(y\mid x_i)$ 的条件熵：
$$
\begin{aligned}
&-\sum_{\hat{y_i} \in {0,1}} P(y = \hat{y_i}\mid x_i) \log P(y = \hat{y_i}\mid x_i) \\
\end{aligned}
$$
交叉熵涉及两个分布 $P$ 与 $Q$ 。其中 $P$ 为实际分布，$Q$ 为模型预测的分布。其度量的是用分布 $Q$ 编码分布 $P$ 所需的平均信息量，表达式为
$$
H(P,Q) = -\sum_{x} p(x) \log q(x)
$$
在这个例子中，就是
$$
-(y_i \log \sigma(f(x_i)) + (1 - y_i)\log(1 - \sigma(f(x_i))))
$$
跟之前类似地，设 $\hat{w} = \begin{bmatrix} w \ b \\end{bmatrix}$，$\hat{x} = \begin{bmatrix} x \ 1 \\end{bmatrix} \in \mathbb{R}^{d+1}$。
$$
\begin{aligned}
L(\hat{W}) &= -\sum_{i \in [n]}\left( y_i \log \frac{1}{1+e^{-\hat{w}^T \hat{x_i}}} + (1 - y_i) \log\frac{1}{1 + e^{\hat{w}^T \hat{x_i}}} \right) \\
&= - \sum_{i \in [n]}\left( -y_i \log (1 + e^{-\hat{w}^T \hat{x_i}}) + (y_i - 1) \log(1 + e^{\hat{w}^T \hat{x_i}}) \right) \\
&= -\sum_{i \in [n]} \left[ y_i \hat{w}^T \hat{x_i} - \log(1 + e^{\hat{w}^T \hat{x_i}}) \right]
\end{aligned}
$$
这个形式方便我们进行求导：
$$
\begin{aligned}
\frac{\partial L(\hat{w})}{\partial \hat{w}} &= - \sum_{i \in [n]}\left( y_i \hat{x_i} - \frac{\hat{x_i} e^{\hat{w}^T \hat{x_i}}}{1 + e^{\hat{w}^T \hat{x_i}}} \right) \\
&= -\sum_{i \in [n]} \hat{x_i} (y_i - \sigma(\hat{w}^T \hat{x_i}))\\
&= -\sum_{i \in [n]} \hat{x_i} (y_i - P(y = 1\mid x_i))
\end{aligned}
$$
如果我们希望 $\displaystyle \frac{\partial L}{\partial \hat{w}} = 0$ ，则说明 $\forall i \in [n]$ 有 $y_i - \sigma(\hat{w}^T \hat{x_i}) = 0$ 。但是这种情况通常是不可能出现的，除非训练数据线性可分 （linearly separatable）
事实上这种情况通常并不是我们希望的。因为对于分隔超平面 $w^Tx + b = 0$ ，如果同时给 $w$ 和 $b$ 乘上系数 $k > 0$ ，则超平面在几何上是不变的（而且数据点到超平面的距离也是不变的），但是这会影响模型的预测值——因为 $w^Tx + b$ 处在 $e$ 的指数位上，所以这会使得 $\sigma(w^Tx+b)\to 0$ 或 $1$ ，即往使损失函数减小的方向上持续更新，进而导致 $k \to \infty$ ，模型越来越 sharp，造成过拟合 （overfitting）。
如何避免这种情况？加一个 L2-Norm 就好了。
番外：GD 的物理含义
$$
\hat{w} \gets \hat{w} + \alpha \sum_{i \in [n]} [y_i - P(y_i = 1\mid x_i)] \hat{x_i}
$$
使得 $\hat{w}$ 往 $\hat{x_i}$ 的方向走
考察 Hessian 矩阵的半正定性。
$$
\begin{aligned}
\frac{\partial ^2 L(\hat{w})}{\partial \hat{w} \partial \hat{w}^T} &\in \mathbb{R}^{(d+1)\times (d+1)} \\
&= \sum_{i \in [n]} \frac{\partial \left( \frac{1}{1 + \exp(-\hat{w}^T \hat{x_i})} \hat{x_i} \right) }{\partial \hat{w}^T}\\
&= \sum_{i \in [n]} \frac{1}{(1 + \exp(-\hat{w}^T \hat{x_i}))^{2}} \cdot \exp(-\hat{w}^T \hat{x_i})\cdot \hat{x_i} \cdot \hat{x_i}^T\\
&= \sum_{i \in [n]} \frac{1}{1 + \exp(-\hat{w}^T \hat{x_i})} \cdot \frac{\exp(-\hat{w}^T \hat{x_i})}{1 + \exp(-\hat{w}^T \hat{x_i})}\cdot \hat{x_i} \cdot \hat{x_i}^T\\
&= \sum_{i \in [n]} P(y =1\mid x_i)\cdot P(y=0\mid x_i) \cdot \color{red}{\hat{x_i}\cdot \hat{x_i}^T}
\end{aligned}
$$
首先注意到 $P(y = 1\mid x_i)\cdot P(y=0\mid x_i)\ge 0$ ，且 $\sum \hat{x_i} \hat{x_i}^T$ 为半正定矩阵，所以交叉熵损失函数为凸函数。
为什么 $\sum \hat{x_i} \hat{x_i}^T$ 为半正定矩阵？
从定义出发就行了：$\forall v \ne 0$，有 $v^T \hat{x_i} \hat{x_i}^T v = \left| \hat{x_i}^T v \right|^2 \ge 0$
即
$$
\min_{\hat{w}} \sum_{i \in [n]}(y_i - \hat{w}^T \hat{x_i})^{2}
$$
答案：不行。分析如下：
分类标签的 $y_i$ 没有数值上的意义 ，${0,1}$ 换成 ${1,-1}$ 是一样的。比如说 $y_i = 1$ ，$f(x_i) = 0.8$ 或 $1.2$ ，损失函数值都是一样的，失去了概率意义。
$f(x_i) \in \mathbb{R}$ ，值域与 ${0,1}$ 是不匹配的。
当 $y_i = 0$ 且 $f(x_i) = 1$ 的时候，损失函数值仅仅为 $1$ ，反观如果使用 CELoss，$\sigma(f(x_i)) \to 1$ 的时候，造成的损失为 $-(1 - y_i) \log \sigma(-f(x_i)) \to +\infty$ 。
对离群值不健壮（not robust to outlier ）：对于一个和分隔超平面很远的 outlier，用平方损失的话会造成把分隔平面往 outlier 方向拉的情况。
其实说了半天，最终道理还是因为分类标签本身是不具有数值意义的，所以不能用平方损失。如果使用平方损失的话会造成很多问题。
该模型用于处理多分类问题（multiclass classification）。
记号约定：
$y\in{1,2,3, \cdots ,K}$ ，代表在做 $K$ 分类，只是 index 而已 ，绝对大小并不重要，所以不可以使用 squared loss 来做 。
有 K 个 classifier，$f_k(x) = w_k^Tx + b_k$，$k\in [K]$。
每个 classifier 输出的是对相应类别的一个打分，如何归约到概率上？
Softmax：
$$
P(y=k|x) = \frac{\exp(w_k^Tx + b_k )}{\sum_{j\in [K]}\exp(w_j^Tx + b_j)}
$$
性质：
It is a probability distribution, since $\displaystyle \sum_{k \in [K]} P(y=k|x) = 1$ ，且 $P(y=k|x)\ge 0$ （指数函数的性质）
若 $w_k^Tx + b_k \gg w_j^Tx + b_j,\forall j\ne k$ ，则 $P(y=k|x) \approx 1$ ，且 $P(y=j|x) \approx 0$
指数函数的放大效应 。
考虑使用 MLE 来优化，写出 log-likelihood：
$$
\sum_{i \in [n]} \log \frac{\exp(w_{y_i}^Tx_i + b_{y_i})}{\sum_{j \in [K]}\exp(w_j^T x_i + b_j)}
$$
实际上，不一定要 $k$ 个线性分类器，其实可以用一整个神经网络，然后最后使用 softmax。
Logistic Regression 和 Softmax Regression 的区别与联系：
$K=2$ 的时候，假设 $1$ 为正类，$2$ 为负类，则
$$
\begin{aligned}
P(y=1|x) &= \displaystyle \frac{\exp(w_1^Tx + > b_1)}{\exp(w_1^Tx + b_1) + \exp(w_2^Tx + b_2)} \
&= \frac{1}{1 + \exp((w_2-w_1)^Tx + (b_2-b_1))}\
&\text{let }b = b_1-b_2,w= w_1-w_2,\
&= \frac{1}{1+\exp(w^Tx+b)} = \sigma(w^Tx+b)
\end{aligned}
$$
等价于逻辑回归。
回归到了回归问题（逻辑回归和 softmax 回归都不是回归而是分类问题）。
注意到一开始推导线性回归的时候用的是 ERM，而非 MLE，现在考虑利用 MLE 来推导线性回归。
一维高斯分布：$x \sim \mathcal{N}(\mu, \sigma^2)$，其中 $\mu$ 为 mean（均值），$\sigma^2$ 为 variance（方差）
概率密度函数（PDF）为（需要记忆）：
$$
P(x) = \frac{1}{\sqrt{2\pi\sigma^2}}\exp\left( - \frac{(x-\mu)^2}{2 \sigma^2} \right)
$$
是一个钟形曲线。优秀性质：$[\mu-2\sigma,\mu+2\sigma]$ 内，概率占 $95%$ 。
More on PRML 2.3。
中心极限定理。
由中心极限定理，假设 $y = w^Tx + b + \varepsilon$ ，其中 $\varepsilon$ 为噪声项，$\varepsilon \sim \mathcal{N}(0, \sigma^2)$。
则在如上假设中，$y$ 的条件分布（概率密度函数）为 $P(y|x;w,b,\sigma^2) = \mathcal{N}(w^Tx + b, \sigma^2)$ （$w,b$ 为参数，$\sigma$ 为超参数，用分号隔开）
最大化 log-likelihood：
$$
\begin{aligned}
&\sum_{i \in [n]} \log \frac{1}{\sqrt{2\pi \sigma^2}}\exp\left( - \frac{(y_i - (w^Tx_i + b))^{2}}{2\sigma^{2}} \right) \\
=&\sum_{i \in [n]}\left[ -\frac{1}{2}\log (2\pi \sigma^{2}) - \frac{1}{2\sigma^{2}}\left( y_i - (w^T x_i + b) \right)^{2} \right] \\
\end{aligned}
$$
只和 $\sigma$ 有关的项都可以提出来，这就等价于优化
$$
\min_{w,b} (y_i - w^Tx_i - b)^2
$$
Maximum A Posteriori (MAP) 最大后验框架推导岭回归 之前，我们将 $w,b$ 当成未知的固定 参数。不过在贝叶斯学派的视角中，一切都是随机变量（不确定），the world is uncertain and even the parameters $w,b$ are random variables 。
之前的想法中，$y = w^Tx + b+ \varepsilon$，只有 $\varepsilon$ 是不确定的，但在贝叶斯学派中，$w,b$ 也是不确定的，会假设其有一个先验分布。
依旧令 $\hat{W} = \begin{bmatrix} w \ b \\end{bmatrix}$，假设其先验分布 （prior dist.）为 $\hat{W}\sim \mathcal{N}(0, \sigma_w^2 I)$ ,其中 $\sigma_w^2 I \in \mathbb{R}^{(d+1)\times (d+1)}$ 为协方差矩阵，假设其为对角阵（$\hat{W}$ 的每一维独立）。
依旧假设 $y = \hat{W}^T \hat{x} + \varepsilon, \varepsilon \sim \mathcal{N}(0,\sigma^2)$ ，则
$$
\begin{aligned}
P(y|x,\hat{W}) = \mathcal{N}(\hat{W}^T\hat{x}, \sigma^2) \\
\end{aligned}
$$
现在我们有一堆观测数据，希望求得一个 $\hat{W}$ 的后验分布。
$$
\begin{aligned}
P(\hat{W} | x,y) &= \frac{P(y|x,\hat{W}) \cdot P(\hat{W}|x)}{P(y|x)} \qquad \text{Bayes formula}\\
& \text{note that }P(\hat{W}|x) = P(\hat{W})\\
& \text{and that }P(y|x)\text{ is unrelevant to } \hat{W}\text{, let it be }Z\\
&= \frac{1}{Z} \left( \frac{1}{\sqrt{2\pi \sigma^{2}}} \right)^n \exp\left( - \frac{1}{2 \sigma^{2}} \sum_{i \in [n]} (y_i - \hat{W}^T \hat{x_i})^{2} \right) \cdot \left( \frac{1}{\sqrt{2 \pi \sigma_w^2}} \right) ^{d+1} \cdot \exp\left( -\frac{1}{2 \sigma_w^2} \hat{W}^T \hat{W} \right)
\end{aligned}
$$
选择一个 mode，即其最大的时候 $\hat{W}$ 取什么。所以忽略掉常数项，
$$
\begin{aligned}
&\max_{\hat{W}} \left(-\frac{1}{2\sigma^{2}}\sum_{i \in [n]} (y_i - \hat{W}^T \hat{x_i})^2 - \frac{1}{2 \sigma_w^2} || \hat{W} ||^{2}\right) \\
&\iff\\
&\min_{\hat{w}} \left( \sum_{i \in [n]}(y_i - \hat{W}^T \hat{x_i})^{2} + \lambda ||\hat{W}||^2 \right)
\end{aligned}
$$
一开始对 $\hat{W}$ 的先验假设和 L2-Norm 起到的是同样的作用，L2-Norm 项可以看作是 $\hat{W}$ 偏移先验的惩罚。