《统计学习方法：李航》笔记 从原理到实现（基于python）-- 第3章 k邻近邻法
《统计学习方法：李航》笔记 从原理到实现（基于python）-- 第1章 统计学习方法概论
《统计学习方法：李航》笔记 从原理到实现（基于python）-- 第 2章感知机
《统计学习方法：李航》笔记 从原理到实现（基于python）-- 第3章 k邻近邻法
《统计学习方法：李航》笔记 从原理到实现（基于python）-- 第4章 朴素贝叶斯法
《统计学习方法：李航》笔记 从原理到实现（基于python）-- 第5章 决策树

我算是有点基础的（有过深度学习和机器学的项目经验），但也是半路出家，无论是学Python还是深度学习，都是从问题出发，边查边做，没有系统的学过相关的知识，这样的好处是入门快（如果想快速入门，大家也可以试试，直接上手项目，从小项目开始），但也存在一个严重的问题就是，很多东西一知半解，容易走进死胡同出不来（感觉有点像陷入局部最优解，找不到出路），所以打算系统的学习几本口碑比较不错的书籍。
  书籍选择： 当然，机器学习相关的书籍有很多，很多英文版的神书，据说读英文版的书会更好，奈何英文不太好，比较难啃。国内也有很多书，周志华老师的“西瓜书”我也有了解过，看了前几章，个人感觉他肯能对初学者更友好一点，讲述的非常清楚，有很多描述性的内容。对比下来，更喜欢《统计学习方法》，毕竟能坚持看完才最重要。
  笔记内容： 笔记内容尽量省去了公式推导的部分，一方面latex编辑太费时间了，另一方面，我觉得公式一定要自己推到一边才有用（最好是手写）。尽量保留所有标题，但内容会有删减，通过标黑和列表的形式突出重点内容，要特意说一下，标灰的部分大家最好读一下（这部分是我觉得比较繁琐，但又不想删掉的部分）。
  代码实现： 最后是本章内容的实践，如果想要对应的.ipynb文件，可以留言

第6章 逻辑斯谛回归与最大熵模型

   逻辑斯谛回归（logistic regression） 是统计学习中的经典分类方法。最大熵是概率模型学习的一个准则，将其推广到分类问题得到最大熵模型（maximum entropy model）。

  逻辑斯谛回归模型与最大熵模型都属于对数线性模型。

6.1 逻辑斯谛回归模型

6.1.1 逻辑斯谛分布

  首先介绍逻辑斯谛分布（logistic distribution）。

  逻辑斯谛分布的密度函数$f(x)$和分布函数$F(x)$的图形如图6.1所示。分布函数属于逻辑斯谛函数，其图形是一条S形曲线（sigmoid curve）。该曲线以点 为中心对称，即满足：

  曲线在中心附近增长速度较快，在两端增长速度较慢。形状参数$\gamma$的值越小，曲线在中心附近增长得越快。

6.1.2 二项逻辑斯谛回归模型

  二项逻辑斯谛回归模型（binomial logistic regression model）是一种分类模型，由条件概率分布$P(Y|X)$表示，形式为参数化的逻辑斯谛分布。

  这里，随机变量$X$取值为实数，随机变量$Y$取值为1或0。我们通过监督学习的方法来估计模型参数。

  对于给定的输入实例$x$，按照式（6.3）和式（6.4）可以求得$P(Y＝1|x)$和$P(Y＝0|x)$。

  逻辑斯谛回归比较两个条件概率值的大小，将实例$x$分到概率值较大的那一类。
有时为了方便，将权值向量和输入向量加以扩充，仍记作$w，x$，即

• 权值向量:$w＝(w^{(1)},w^{(2)},\dots ,w^{(n)},b{)}^T$，
• 输入向量:$x＝(x^{(1)},x^{(2)},\dots ,x^{(n)},1{)}^T$。

  这时，逻辑斯谛回归模型如下：

  逻辑斯谛回归模型的特点。

  一个事件的几率（odds）是指该事件发生的概率与该事件不发生的概率的比值。

  如果事件发生的概率是p，那么该事件的几率是$\frac{p}{1-p}$ ，该事件的对数几率（log odds）或logit函数是

$$logit(p)=log\frac{p}{1-p}$$

  对逻辑斯谛回归而言，由式（6.5）与式（6.6）得

$$log\frac{P(Y=1|x)}{1-P(Y=1|x)}=w\cdot x$$

  这就是说，在逻辑斯谛回归模型中，输出$Y＝1$的对数几率是输入$x$的线性函数。（或者说，输出$Y＝1$的对数几率是由输入$x$的线性函数表示的模型，即逻辑斯谛回归模型。）

  换一个角度看，考虑对输入$x$进行分类的线性函数$w\cdot x$，其值域为实数域。注意，这里$x∊R^{N+1}$,$w∊R^{N+1}$。通过逻辑斯谛回归模型定义式（6.5）可以将线性函数$w\cdot x$转换为概率：

$$P(Y=1|x)=\frac{exp(w\cdot x)}{1+exp(w\cdot x)}$$

  这时，

• 线性函数的值越接近正无穷，概率值就越接近1；
• 线性函数的值越接近负无穷，概率值就越接近0（如图6.1所示）。

  这样的模型就是逻辑斯谛回归模型。

6.1.3 模型参数估计

  逻辑斯谛回归模型学习时，对于给定的训练数据集$T＝(x_1，y_1),(x_2，y_2),\dots ,(x_N,y_N)$，其中，$x_i∊R^n$，$y_i∊0,1$，可以应用极大似然估计法估计模型参数，从而得到逻辑斯谛回归模型。

设：

$$P（Y=1|x）=\pi (x)$$

$$P（Y=0|x）=1-\pi (x)$$

似然函数为:

$$\prod _{i=0}^N[\pi (x_i){]}^{y_i}[1-\pi (x_i){]}^{1-y_i}]$$

对数似然函数为:

对$L(w)$求极大值，得到$w$的估计值。

  这样，问题就变成了以对数似然函数为目标函数的最优化问题。逻辑斯谛回归学习中通常采用的方法是梯度下降法及拟牛顿法。

  假设$w$的极大似然估计值是 ，那么学到的逻辑斯谛回归模型为

$$P(Y=1|x)=\frac{exp(\hat{w}\cdot x)}{1+exp(\hat{w}\cdot x)}$$

$$P(Y=0|x)=\frac{1}{1+exp(\hat{w}\cdot x)}$$

6.1.4 多项逻辑斯谛回归

  上面介绍的逻辑斯谛回归模型是二项分类模型，用于二类分类。

  可以将其推广为多项逻辑斯谛回归模型（multi-nominal logistic regression model），用于多类分类。

  假设离散型随机变量Y的取值集合是$1,2,\dots ,K$，那么多项逻辑斯谛回归模型是

  二项逻辑斯谛回归的参数估计法也可以推广到多项逻辑斯谛回归。