邏輯回歸算法學(xué)習(xí)與思考

本文是作者對于邏輯回歸算法的學(xué)習(xí)和思考，主要介紹：邏輯回歸的算法介紹、邏輯回歸的數(shù)學(xué)原理、邏輯回歸的實(shí)際應(yīng)用、邏輯回歸的總結(jié)以及網(wǎng)絡(luò)安全場景預(yù)測，歡迎大家參考討論。

邏輯回歸的算法介紹

邏輯回歸（Logistic regression）是機(jī)器學(xué)習(xí)分類算法的其中一種，核心思想是利用現(xiàn)有數(shù)據(jù)對分類邊界建立回歸方程，以此進(jìn)行分類?；貧w可以理解為最佳擬合，是一種選擇最優(yōu)分類的算法。

邏輯歸回中會(huì)有一些新詞匯需要理解。

h函數(shù)： 根據(jù)輸入的數(shù)據(jù)預(yù)測類別的函數(shù)，Andrew Ng的公開課中稱為hypothesis function。

j函數(shù)： 我們需要一個(gè)機(jī)制去評估我們的h函數(shù)的好壞,j函數(shù)的作用是評估h函數(shù)的好壞,一般這個(gè)函數(shù)稱為損失函數(shù)(loss function)或者錯(cuò)誤函數(shù)(error function)。

邏輯回歸的數(shù)學(xué)原理

h函數(shù)相關(guān)（預(yù)測函數(shù)）

首先，我們先看看邏輯回歸的預(yù)測函數(shù)，h函數(shù)！

其中含有θ (又稱：theta)的變量為（當(dāng)x0=1時(shí)，可以進(jìn)行矩陣變換）：

h函數(shù)的原型函數(shù)為sigmoid函數(shù)，展示如下：

sigmoid方程的圖形如下，sigmoid函數(shù)的取值范圍為 (0,1)

這里進(jìn)行下小結(jié)，邏輯回歸的預(yù)測函數(shù)使用sigmoid函數(shù)作為原型函數(shù)，然后對sigmoid函數(shù)的x進(jìn)行替換，替換為一個(gè)多元一次方程。其中多元一次方程的θ為我要尋找最優(yōu)組合的內(nèi)容。

j函數(shù)相關(guān)

j函數(shù)的目標(biāo)就是找到一組最佳θ，使得J(θ)的值最小。

我們可以利用梯度下降算法來求得J(θ)的值最小，根據(jù)梯度下降法可得θ的更新過程。j=0 時(shí)，代表更新j向量的第0分量，j=1 時(shí)，代表更新j向量的第1分量，以此類，為了方便理解，可以把j看成數(shù)組vector_j，j=0，就是更新vector_j[0]。α為學(xué)習(xí)步長。

經(jīng)過一些數(shù)學(xué)推導(dǎo)的最終形式如下（推導(dǎo)過程為對θ求偏導(dǎo)數(shù)）。

ps：xj為x向量的第j分量，還可以理解為x數(shù)組的第j項(xiàng)，其實(shí)下圖是對θ數(shù)組的第j項(xiàng)進(jìn)行更新的算式，然而真正代碼角度是對整個(gè)θ數(shù)組進(jìn)行更新，也就是下下圖的樣子。

當(dāng)我們把上式向量化處理就得到了代碼可以處理的形式。

對比著代碼看（代碼出自《機(jī)器學(xué)習(xí)實(shí)戰(zhàn)》）

這里進(jìn)行下小結(jié)，我們?yōu)榱藢ふ易罴训摩冉M合，設(shè)置了J(θ)函數(shù)，我們利用已知數(shù)據(jù)（建模的訓(xùn)練數(shù)據(jù)）來尋找最優(yōu)的θ組合使得J(θ)最小，而我們找最優(yōu)θ組合的算法為梯度下降算法。

邏輯回歸的實(shí)際應(yīng)用

目前單機(jī)使用機(jī)器學(xué)習(xí)算法的python庫為sklearn庫，實(shí)例如下。

使用該模型，需要手工調(diào)整函數(shù)的參數(shù)，這個(gè)需要對算法進(jìn)行理解。

Logistic Regression算法作為一個(gè)二分類算法，主要解決的是線性可分的問題，對于多分類算法，可以利用Softmax Regression算法。

Softmax Regression是一般化的Logistic Regression，可以把Logistic Regression看成Softmax Regression的特例。

那么Softmax Regression和Logistic Regression該怎么選擇呢？參考Stanford的文章的內(nèi)容。

Softmax 回歸 vs. k 個(gè)二元分類器

如果你在開發(fā)一個(gè)音樂分類的應(yīng)用，需要對k種類型的音樂進(jìn)行識別，那么是選擇使用 softmax 分類器呢，還是使用 logistic 回歸算法建立 k 個(gè)獨(dú)立的二元分類器呢？

這一選擇取決于你的類別之間是否互斥，例如，如果你有四個(gè)類別的音樂，分別為：古典音樂、鄉(xiāng)村音樂、搖滾樂和爵士樂，那么你可以假設(shè)每個(gè)訓(xùn)練樣本只會(huì)被打上一個(gè)標(biāo)簽（即：一首歌只能屬于這四種音樂類型的其中一種），此時(shí)你應(yīng)該使用類別數(shù) k = 4 的softmax回歸。（如果在你的數(shù)據(jù)集中，有的歌曲不屬于以上四類的其中任何一類，那么你可以添加一個(gè)“其他類”，并將類別數(shù) k 設(shè)為5。）

如果你的四個(gè)類別如下：人聲音樂、舞曲、影視原聲、流行歌曲，那么這些類別之間并不是互斥的。例如：一首歌曲可以來源于影視原聲，同時(shí)也包含人聲 。這種情況下，使用4個(gè)二分類的 logistic 回歸分類器更為合適。這樣，對于每個(gè)新的音樂作品 ，我們的算法可以分別判斷它是否屬于各個(gè)類別。

現(xiàn)在我們來看一個(gè)計(jì)算視覺領(lǐng)域的例子，你的任務(wù)是將圖像分到三個(gè)不同類別中。(i) 假設(shè)這三個(gè)類別分別是：室內(nèi)場景、戶外城區(qū)場景、戶外荒野場景。你會(huì)使用sofmax回歸還是 3個(gè)logistic 回歸分類器呢？ (ii) 現(xiàn)在假設(shè)這三個(gè)類別分別是室內(nèi)場景、黑白圖片、包含人物的圖片，你又會(huì)選擇 softmax 回歸還是多個(gè) logistic 回歸分類器呢？

在第一個(gè)例子中，三個(gè)類別是互斥的，因此更適于選擇softmax回歸分類器 。而在第二個(gè)例子中，建立三個(gè)獨(dú)立的 logistic回歸分類器更加合適。

網(wǎng)絡(luò)安全場景下的實(shí)踐

邏輯回歸算法作為一個(gè)二分類機(jī)器學(xué)習(xí)算法，主要優(yōu)勢是學(xué)習(xí)速度快，算法好理解，預(yù)測速度快等特點(diǎn)，并且神經(jīng)網(wǎng)絡(luò)在神經(jīng)元上也是采用的是邏輯回歸算法，因此在這個(gè)深度學(xué)習(xí)的大背景下，安全人員還是要學(xué)習(xí)邏輯回歸算法。

對于在安全攻防上使用邏輯回歸算法，我們先要明白邏輯回歸算法的本質(zhì)：邏輯回歸是分類算法。

吸星是安全在機(jī)器學(xué)習(xí)實(shí)踐上一個(gè)非常好的例子，由于吸星使用的是樸素貝葉斯分類算法，那么吸星能不能使用邏輯回顧呢？效果如何呢？這是值得實(shí)踐的。

異常流量識別，由于瞬時(shí)流量或者流量區(qū)間中會(huì)存在非常多的屬性，而且異常流量識別屬于二分類，邏輯回歸對于異常流量監(jiān)測問題，這也是非常值得實(shí)踐的。

網(wǎng)站異常URL識別，對于一個(gè)網(wǎng)站，URL的形式具有一定特征的，那么如果被種植了webshell，那么webshell的URL可能會(huì)與正常URL存在差異，因此利用此邏輯回歸也是能解決這類問題的。

其實(shí)總結(jié)起來就是，只要每一條數(shù)據(jù)可以有多個(gè)屬性，就可以利用邏輯回歸。