牛顿法在逻辑回归中的使用

逻辑回归，别看他的名字是回归，它其实是一个分类问题，而且是一个二分类的问题!逻辑回归是一个线性分类的问题。所以它的决策边界也是一个线性的。但是它的激励函数是非线性的哈！之前在进行ml的学习的时候，我已经介绍过相关的东西，详见博客逻辑回归，包括他的假设函数，代价函数，它的优化算法可以是梯度下降，随机梯度下降，牛顿法等等，但是在上学校的ml的课程的时候，我发现了不仅可以用梯度下降来更新我们的参数，还可以使用牛顿法来更新参数，而且收敛的速度更加的快！

下面我要解决四个问题，

第一牛顿法的介绍：

盗一下，老师上课的PPT的图

结合上图来解释一下：

目标：求得使得代价函数最小的,所以上图先求得的一阶导数，但是不是像往常一样令来得到，而是采用迭代的方法。

具体做法：看到上图的最佳的肯定是在与x轴的交点的地方，

第一步：先随机的选取一点,那么在这一点对应的的地方画一条切线，这个切线与X轴的交点就是，

第二布：重复呗，

那么怎么判断到了最佳的那个,可以看前后的loss变化小于某个阙值的时候，我就结束讨论！

 

第二逻辑回归牛顿法的使用：

那么上面的那个不就对应了逻辑回归的损失函数。

上面怎么推到的呢？

那么总结一下：牛顿法是怎么用到逻辑回归问题中的

 

第三牛顿法的实现代码：

其他的代码你可以参见另一个博客，之前那个博客实现牛顿法的时候仅仅只是跑5步，因为我看到出来的loss大约在第五步的时候就不动了，所以我直接设置成了5，这里我稍作更改了一下：这里面用到的其他我定义的库，都可以在这里看到牛顿法的实现需要的其他文件代码。

import numpy as np
import matplotlib.pyplot as plt
from file2matrix import file2matrix
from sigmoid import sigmoid
from compute_loss import compute_loss

a=np.diag(np.array([1,2]))
print(a)

def nt(x,y,theta,iterations=100):
    n,m=x.shape
    J_loss=[]
    orig_loss=np.inf
    real_iter=0
    for i in range(iterations):
        l=compute_loss(x,y,theta)
        J_loss.append(l)
        h=sigmoid(np.dot(x,theta))#(n,1)
        # print("h-shape",h.shape)
        j_first_order=1/n*np.dot(x.T,h-y)#(m,1)
        j_second_order=1/n*np.dot(np.dot(np.dot(x.T,np.diag(h.reshape(n))),np.diag(1-h.reshape(n))),x)#(m,m)
        theta=theta-np.dot(np.linalg.inv(j_second_order),j_first_order)#(m,1)
        # print("theta-shape",theta.shape)
        if orig_loss-l<0.001:
            real_iter=i+1
            break
        orig_loss=l
    return theta,J_loss,real_iter

if __name__=="__main__":
    X = file2matrix('./ex4x.dat')
    # print(X.shape)#(80,2)
    # returnmat = X
    y = file2matrix('./ex4y.dat', 1)
    # print(y.shape)#(80,1)

    n, m = X.shape
    X = np.column_stack((np.ones(n), X))
    # print(X.shape)
    m = m + 1
    theta = np.zeros((m, 1))

    theta, J_his,real_iter = nt(X, y, theta)
    print(real_iter)

    print("theta", theta)
    print("J", J_his)
    plt.xlabel("iteration")
    plt.ylabel("J")
    plt.plot(np.arange(real_iter), J_his)
    plt.show()

    pos = list(np.where(y == 1.0)[0])
    X_pos = X[pos,1:3]
    neg = list(np.where(y == 0.0)[0])
    X_neg = X[neg,1:3]
    plt.plot(X_pos[:, 0], X_pos[:, 1], '+', label='admitted')
    plt.plot(X_neg[:, 0], X_neg[:, 1], 'o', label='Not admitted')
    plt.xlabel("exam1 score")
    plt.ylabel("exam2 score")
    plt.legend()

    xx = np.linspace(20, 70, 6)
    yy = []
    for i in xx:
        res = (i * -(theta[1][0]) - (theta[0][0])) / (theta[2][0])
        yy.append(res)
    plt.plot(xx, yy)
    plt.show()

第四牛顿法为什么会比梯度下降快那么多呢？

说是因为牛顿法使用了二阶梯度，梯度下降仅仅是一阶梯度，对于梯度下降而言，把它比做下山问题，那么梯度下降站在当前的位置要找到梯度最大的点，这样也就是坡度最大下山最快，但是牛顿法他不仅要找当前下降最快的方向，还要确保下下步的坡度更大，下山更快。

参考文献https://blog.csdn.net/pi9nc/article/details/11922835

它还说：但是不太懂下面的一段话！！！

根据wiki上的解释，从几何上说，牛顿法就是用一个二次曲面去拟合你当前所处位置的局部曲面，而梯度下降法是用一个平面去拟合当前的局部曲面，通常情况下，二次曲面的拟合会比平面更好，所以牛顿法选择的下降路径会更符合真实的最优下降路径。