大數(shù)據(jù)下的邏輯回歸訓練模型方法論_數(shù)據(jù)分析師培訓

在數(shù)據(jù)膨脹的當今社會里，海量數(shù)據(jù)中蘊含價值日漸凸顯出來。如何有效的挖掘海量數(shù)據(jù)中的有效信息已經(jīng)成為各個領(lǐng)域面臨的共同問題。以互聯(lián)網(wǎng)企業(yè)為代表的科技公司依據(jù)自身的實際需求，開始大量的應用機器學習、數(shù)據(jù)挖掘以及人工智能等算法獲取海量數(shù)據(jù)中蘊含的信息，并且已經(jīng)取得了很好的效果。

當今社會已經(jīng)從過去的信息匱乏，轉(zhuǎn)變?yōu)樾畔⒎簽E的時代。由于網(wǎng)絡以及相關(guān)應用的不斷普及，網(wǎng)絡數(shù)據(jù)逐漸呈現(xiàn)著”海量，高維”的趨勢，如何利用已有的機器學習或者數(shù)據(jù)挖掘的算法，獲取有效信息，已經(jīng)成為學術(shù)界以及工業(yè)所共同關(guān)注的重點。國內(nèi)大數(shù)據(jù)技術(shù)服務商百分點公司已將機器學習的相關(guān)技術(shù)應用到大數(shù)據(jù)分析中，在百分點合作的某一團購網(wǎng)站，我們選取了10個基于商品和用戶的特征屬性，結(jié)合機器學習中的分類算法，構(gòu)建了一個基于用戶推薦的分類器。在實際應用過程中，該團購網(wǎng)站點擊率平均提升19%，下單率提升42%，直接下單率提升了近一倍，從而達到了提高推薦效果的目的。

在本篇文章中將以機器學習的經(jīng)典算法邏輯回歸模型作為預測模型，結(jié)合目前百分點為團購網(wǎng)站開發(fā)的分類模型作為具體實例，具體講解一下如何在”海量、高維”數(shù)據(jù)中有效的訓練模型。

機器學習算法中的邏輯回歸模型(Logic Regression, LR)，以下簡稱為LR模型，是一個被廣泛應用在實際場景中的算法。在本篇文章主要考慮的對象是基于二元分類邏輯回歸預測模型，即分類器識別的類標號為。假設(shè)訓練集數(shù)據(jù)為，其中，，可以將訓練集看成是一個的矩陣，由于在本篇文章中主要針對的是高維的海量數(shù)據(jù)，但由于啞元變量的存在，數(shù)據(jù)中存在著大量的0/1值，因此可以將訓練集的整體看成是一個高維的稀疏矩陣。

在介紹如何訓練模型之前，首先簡單的介紹一下邏輯回歸模型。邏輯回歸模型是一種基于判別式的方法，它假定類的實例是線性可分的，通過直接估計判別式的參數(shù)，獲得最終的預測模型。邏輯回歸模型并不是對類條件密度

建模，而是對類條件比率進行建模。假定類條件對數(shù)似然比是線性的：

使用貝葉斯公式，我們有：

令表示為，因此我們可以得到邏輯回歸模型：

作為的估計。

訓練邏輯回歸模型

當我們確定使用LR模型并且選定了初始特征集，那么我們的下一步就是如何獲取最佳的評估參數(shù)，使得訓練得到的LR模型可以獲得最佳的分類效果。這個過程也可以看做是一個搜索的過程，即在一個LR模型的解空間內(nèi)，如何查找一個與我們設(shè)計的LR模型最為匹配的解。為了達到能夠獲取對應的最佳LR模型，我們需要設(shè)計一種搜索策略，考慮按照什么樣的準則去選擇最優(yōu)的模型。

如何選擇最佳的LR模型，直觀的想法就是通過預測模型的結(jié)果與真實值的匹配程度評價預測模型的好壞。在機器學習領(lǐng)域中，使用損失函數(shù)(loss function)或者代價函數(shù)(cost function)來計算預測結(jié)果與真實值得匹配程度。損失函數(shù)是一個非負實值函數(shù)，根據(jù)不同的需求，可以設(shè)計不同的損失函數(shù)。在本篇文章中將作為損失函數(shù)，其中

是預測模型f基于測試實例X的預測值，Y是測試實例x的真實類標號的值。

在機器學習中常用的損失函數(shù)包括以下幾種：

0-1損失函數(shù):

平方損失函數(shù):

絕對損失函數(shù):

對數(shù)損失函數(shù)或?qū)?shù)似然損失函數(shù):

由于模型的輸入和輸出（X,Y）是隨機變量，遵循聯(lián)合分布P（X,Y），所以損失函數(shù)的期望是：

上面的期望公式表示的是理論預測模型

關(guān)于聯(lián)合分布P（X,Y）在平均意義下的損失，稱為風險函數(shù)(risk function)或期望損失(expected loss)。損失函數(shù)與風險函數(shù)實際上都是為了測量預測模型的分類能力，只是前者是從微觀層次上考慮，而后者是從宏觀上(平均意義上)考慮。因此我們可以獲得關(guān)于訓練數(shù)據(jù)集的平均損失，稱為經(jīng)驗風險(empiricalrisk)或經(jīng)驗損失(empirical loss),記作:

其中

是預測模型關(guān)于聯(lián)合分布的期望損失，而

則是模型關(guān)于訓練樣本的平均損失。根據(jù)統(tǒng)計學中的大數(shù)定理，當樣本容量很大的時候，可以將經(jīng)驗損失作為期望損失。但是在訓練模型的過程中，由于數(shù)據(jù)中存在著噪音數(shù)據(jù)或者數(shù)據(jù)偏移的問題，導致了訓練模型的泛化性非常差，也就是機器學習中著名的過度擬合的問題。為了解決這個問題，需要規(guī)則化處理，人為增加約束條件，在經(jīng)驗風險函數(shù)上添加上表示模型復雜度的正則化項(regularizer)或懲罰項(penalty term)，這種經(jīng)驗風險函數(shù)被稱作結(jié)構(gòu)風險最小化(Structural Risk Minimization, SRM)，可以使用下面的公式表示：

其中

用來懲罰模型的復雜度，模型F越復雜，復雜度

越大，是系數(shù)，用以權(quán)衡經(jīng)驗風險和模型的復雜度。

在機器學習中，總結(jié)起來共有三類方法用來設(shè)計相關(guān)的經(jīng)驗風險函數(shù)：

當設(shè)計的模型很簡單，并且數(shù)據(jù)量也很大的時候，給定一組參數(shù)以后，可以使用最大似然評估方法(Maximum Likelihood Estimation, MLE)訓練得到相關(guān)的模型參數(shù)；

當設(shè)計的模型很復雜，存在著隱含變量。這樣的情況可以使用EM算法評估模型的參數(shù)。一般分為兩個步驟，首先給定參數(shù)，對于隱含變量做期望，算出包括隱變量的似然函數(shù)；第二步，使用MLE方法，評估參數(shù)值，更新對應的參數(shù)值；

當模型并不是很復雜，但是數(shù)據(jù)非常少的時候，并且具有一定的先驗知識的時候，可以使用貝葉斯統(tǒng)計方法評估模型的參數(shù)，也就是所謂的最大后驗概率(Maximum A Posteriori，MAP)。首先基于先驗知識，給定待估參數(shù)一個先驗統(tǒng)計分布，然后根據(jù)貝葉斯公式，推算出參數(shù)的后驗分布(posterior probability)，最后最大化這個后驗概率，獲得對應的參數(shù)值。

由于本篇文章針對的是“高維、海量”的訓練數(shù)據(jù)，并且使用了相對簡單的LR模型作為預測模型，因此我們在訓練模型的過程中使用了MLE方法，設(shè)計相關(guān)的經(jīng)驗風險參數(shù);其次由于本身的訓練數(shù)據(jù)充足，因此在經(jīng)驗函數(shù)中并沒有添加對應的基于模型復雜的懲罰項(正則化)，在我們模型中其具體的風險函數(shù)如下所示：

下面的問題就轉(zhuǎn)變?yōu)橐粋€無約束的最優(yōu)化的問題。在基于海量數(shù)據(jù)訓練模型的時候，需要考慮的是如何高效的訓練模型。在實際的開發(fā)過程中，個人認為可以從兩個方面提高訓練模型的效率。首先是對于數(shù)據(jù)在內(nèi)存的存儲結(jié)構(gòu)進行優(yōu)化，尤其是針對“高維、稀疏”矩陣的時候，在本次實驗中我們應用了R中的Matrix包中的稀疏矩陣格式，大幅度提高了算法計算效率。其次需要選擇相關(guān)的迭代算法，加快經(jīng)驗風險函數(shù)的收斂速度。在這里介紹幾種常用的迭代算法:

牛頓迭代算法中的牛頓-拉斐森迭代算法，該算法需要計算BI產(chǎn)品海森矩陣，因此算法需要花費大量的時間，迭代時間較長。

擬牛頓迭代算法，使用近似算法，計算海森矩陣，從而降低算法每次迭代的時間，提高算法運行的效率。在擬牛頓算法中較為經(jīng)典的算法有兩種：BFGS算法和L-BFGS算法。BFGS算法是利用原有的所有歷史計算結(jié)果，近似計算海森矩陣，雖然提高了整個算法的效率，但是由于需要保存大量歷史結(jié)果，因此該算法受到內(nèi)存的大小的局限，限制了算法的應用范圍；而L-BFGS則是正是針對BFGS消耗內(nèi)存較大的特點，只保存有限的計算結(jié)果，大大降低了算法對于內(nèi)存的依賴。

在實際應用中選擇何種迭代算法，需要根據(jù)實際需求以及數(shù)據(jù)本身的特點進行選擇，在本次試驗我們選取了牛頓-拉斐森迭代算法以及L-BFGS算法作為LR模型的迭代算法。

屬性選擇

當學習算法迭代完成之后，我們可以獲對應各個屬性的權(quán)重。接下來的任務我們需要對現(xiàn)有屬性與響應變量之間的顯著性進行檢驗，針對已有的訓練模型對應的屬性集進行驗證，刪除顯著性不符合閾值的特征。由于在構(gòu)建風險函數(shù)的時候，使用了MLE方法，因此可以使用Wald Test對于計算得到的參數(shù)，進行顯著性驗證。在使用Wald Test之前，要確保期望值與評估值之間的差值符合正態(tài)分布。Wald統(tǒng)計變量的一般形式：

其中

表示評估值，表示期望值，表示評估值方差。在本次試驗中我們將原假設(shè)設(shè)定為，即表示現(xiàn)有的屬性與響應變量無相關(guān)性，因此本實驗的Wald統(tǒng)計值可以表示為：

其中是實際估計的參數(shù)值，是的標準方差。由于Wald統(tǒng)計值對應卡方分布，因此可以利用卡方分布計算P值，如果P值大于指定的閾值，那么可以認為原假設(shè)成立，即該屬性與響應變量是顯著不相關(guān)，刪除該變量，否則保存該變量。在實際的訓練過程中，每次驗證屬性顯著性的時候，只挑選P值最大與人為設(shè)定的閾值進行比較；如果選擇的P值不大于閾值，那么模型訓練完畢；否則刪除選擇的P值對應的屬性，更新預測模型。重新學習更新后的預測模型，推測對應的權(quán)重值，然后再次對各個屬性進行Wald Test驗證。重復上面的過程，直到?jīng)]有任何變量的Wald Test對應的P值都不大于人為設(shè)定的閾值為止。到此整個模型的訓練過程結(jié)束。文章來源：CDA數(shù)據(jù)分析師官網(wǎng)