更多专业的人工智能相关文章，微信搜索 : robot-learner ， 或扫码
逻辑回归（logistic regression）算法是一种广义的线性回归模型。 与线性回归不同的是，逻辑回归返回概率，通常用于分类模型。逻辑回归的目标变量可以是多分类，但二分类最为常用。
在逻辑回归中，我们观察的历史数据点可以用下面的矩阵形式表示：
上式中，X矩阵有n行，代表了了n个历史数据点。每一行有k个列，表示每一噶数据点有k个维度。 Y为每个数据点的标签，取值为-1或者+1， 分别代表了两个不同的类别。比如金融风险预测中，-1可以用来代表某个客户历史曾经出现过逾期现象，而+1表示某个客户历史上一直信用良好。逻辑回归不会直接预测某个数据的标签是-1还是+1， 而是预测预测数据为某个标签的概率。
我们假设y=1的概率为p，即：
其中β为逻辑回归算法中待优化的参数。有了Y=1的概率假设，我们可以得到Y=1概率和Y=-1概率的倍数，或者叫做发生比（odds）:
把上面的odds函数取对数以后，可以看出，odd函数的对数范围是取值从负的无穷大到正的无穷大。为了用参数化的方式来描述一个发散的取值范围，我们可以用一个线性函数来描述odds的模型函数：
l
从上式即可进一步推导出p的最终带有参数的函数表达形式如下：
上面的式子就是大家非常熟悉的sigmoid函数形式。从而我们分别得到的函数形式：
其中 即为sigmoid函数。 Sigmoid函数具有一个特性，它把z取值从负无穷大到正无穷大映射到-1到+1之间，其变化形式如下图：
有了每个数据点为一类标签的概率表达形式，自然的，为了优化相关参数，我们可以采用最大似然拟合的优化方法。逻辑回归的假设中，事件成功概率为pY=1x，失败概率为1-p，因此，一个事件为+1或者-1的概率，可以统一的表达为概率函数:
因此所有数据点集合的最大似然公式表达如下：
把上面的式子取对数，经过几步简单的数学推导后，我们可以得到下面的非常有意义的形式：
这就是所有数据点的最大似然函数形式的对数。我们知道，似然函数的最大值对应了参数的最优化解。 进一步观察，对上式最大化取得最佳参数，等同于对下式的最下化：
上式即为著名的logistic 损失函数。 我们可以这样感性的理解这个损失函数对于数据优化的意义。 当预测结果与实际目标变量一致时候，对应损失函数项接近0，而当结果不一致时候，对应损失函数值会变得相对很大。通过这一特性，logistic损失函数的最小化优化过程自然能够找到最佳的参数值。