机器学习 - 关于逻辑回归的若干问题

在《词袋模型（Bag of Words）实现文本情感分类的详细示例》一文中，对于为什么采用逻辑回归及相关操作，存在一些疑问，因而去做了了解和调研，整理后做个记录，加深对逻辑回归的理解。

一、机器学习中逻辑回归，是判断概率大小的嘛？

逻辑回归主要用于二分类问题，其核心目标就是估计样本属于某一类别的概率。具体来说，逻辑回归通过以下步骤实现这一目标：

1. 线性组合
   对输入特征 xx 进行线性组合，计算线性模型的输出：

   

   其中 w 是权重向量，b 是偏置项。

2. Sigmoid 函数转换为概率
   将线性输出 z 输入到 sigmoid 函数中，得到一个位于 (0, 1) 区间的数值：

   

   这个数值表示样本属于正类别的概率 P(y=1∣x)。

3. 判断概率大小
   根据计算得到的概率，可以设置一个阈值（通常为 0.5），如果 σ(z)≥0.5 则预测为正类，否则预测为负类。
   此外，概率输出还可以反映分类的置信度，概率越接近 0 或 1，分类器对该预测的信心越高。

因此，逻辑回归确实是通过判断输出概率的大小来进行分类决策。它不仅给出类别标签，同时提供了类别的概率估计，帮助我们理解模型的信心程度。

二、逻辑回归为什么不直接预测值？而是引入概率且设置一个阀值，之后再进行判断？

逻辑回归的核心目标是解决二分类问题，其输出需要表达样本属于某一类别的概率，而不是直接输出一个离散的类别标签。这样做有几个原因：

1. 概率输出便于表达不确定性
   逻辑回归通过对输入特征做线性组合后，再用 sigmoid 函数将结果映射到 0 到 1 之间，从而得到一个概率值。这种概率输出不仅告诉我们最终分类结果，还反映了模型对该预测的信心。例如，一个预测概率为 0.95 表示模型非常确信样本属于正类别，而 0.55 则表示不确定性较高。

2. 方便使用统计方法进行参数估计
   使用概率输出可以利用最大似然估计（MLE）来求解模型参数。MLE 的推导依赖于构建似然函数，并对参数进行优化，而对数似然函数的最大化能够简化推导过程。如果直接预测 0 或 1，模型的训练和参数优化将失去这种概率模型的统计基础。

3. 灵活设置决策阈值
   将输出作为概率后，可以根据具体应用场景灵活设定阈值（例如常见的 0.5 阈值），以便更好地平衡假正例和假负例的风险。在某些情况下，可能希望调整阈值来适应不同的业务需求，而直接输出类别标签无法提供这种灵活性。

4. 与回归方法的数学一致性
   如果直接输出 0 或 1，会使得模型看起来像是一个硬分类器，而逻辑回归实际上是在建构一个连续的概率函数，这使得优化过程和误差函数（如交叉熵损失）的构造更为自然和连续，从而便于使用梯度下降等连续优化算法。

总之，逻辑回归不直接预测离散的类别标签，而是通过预测概率，再结合预设的阈值来进行分类决策。这不仅能够表达模型的不确定性，还使得参数估计和模型训练过程更加科学和灵活。

三、那么对于逻辑回归，阀值一般怎么选取呢 ？

在逻辑回归等概率模型中，我们通常会将模型输出的概率与一个阈值（阀值）比较，从而决定分类结果。阈值的选取没有绝对固定的数值，但常见的方法和考虑因素包括：

1. 默认值 0.5

   • 当正负样本比例比较平衡时，通常默认将 0.5 作为阈值。如果模型预测的正类概率大于或等于 0.5，则分类为正例，否则为负例。

2. 根据业务需求调整

   • 在实际应用中，不同场景对假正例和假负例的容忍度不同。例如：
     • 在医疗诊断中，为了降低漏诊率（假负例），可能会将阈值设定得较低，让模型更容易判断为正例；
     • 在垃圾邮件过滤中，为了避免误将正常邮件标为垃圾邮件（假正例），可能会将阈值设定得较高。

3. 通过性能指标选择

   • 可以使用 ROC 曲线（接收器操作特征曲线）和 PR 曲线（精确率-召回率曲线）来评估不同阈值下的模型性能。
   • 寻找能使某个指标（例如 Youden 指数、F1-score）达到最优的阈值。
   • 交叉验证也常用于确定一个最优阈值，从而在训练数据和验证数据上取得较好的平衡。

4. 数据分布和类别不平衡问题

   • 如果正负样本分布不平衡，直接采用 0.5 可能无法达到最佳效果，此时需要根据样本比例调整阈值，或通过调整类别权重来改善模型表现。

总之，阈值的选取通常结合数据特点、任务需求和性能指标。虽然 0.5 是常见的默认值，但在实际应用中，往往需要通过试验、评估（如 ROC、PR 曲线分析）以及业务背景来确定最合适的阈值。