转载：http://www.cnblogs.com/tornadomeet/archive/2013/03/16/2963919.html
牛顿法：http://blog.csdn.net/xp215774576/article/details/45974081
http://blog.csdn.net/luoleicn/article/details/6527049
前言：
本节来练习下logistic regression相关内容，参考的资料为网页：http://openclassroom.stanford.edu/MainFolder/DocumentPage.php?course=DeepLearning&doc=exercises/ex4/ex4.html。这里给出的训练样本的特征为80个学生的两门功课的分数，样本值为对应的同学是否允许被上大学，如果是允许的话则用’1’表示，否则不允许就用’0’表示，这是一个典型的二分类问题。在此问题中，给出的80个样本中正负样本各占40个。而这节采用的是logistic regression来求解，该求解后的结果其实是一个概率值，当然通过与0.5比较就可以变成一个二分类问题了。
实验基础：
在logistic regression问题中，logistic函数表达式如下：
这样做的好处是可以把输出结果压缩到0~1之间。而在logistic回归问题中的损失函数与线性回归中的损失函数不同，这里定义的为：
如果采用牛顿法来求解回归方程中的参数，则参数的迭代公式为：
其中一阶导函数和hessian矩阵表达式如下：
当然了，在编程的时候为了避免使用for循环，而应该直接使用这些公式的矢量表达式（具体的见程序内容）。
一些matlab函数：
find:
是找到的一个向量，其结果是find函数括号值为真时的值的下标编号。
inline:
构造一个内嵌的函数，很类似于我们在草稿纸上写的数学推导公式一样。参数一般用单引号弄起来，里面就是函数的表达式，如果有多个参数，则后面用单引号隔开一一说明。比如：g = inline(‘sin(alpha*x)‘,‘x‘,‘alpha‘)，则该二元函数是g(x,alpha) = sin(alpha*x)。
实验结果：
训练样本的分布图以及所学习到的分类界面曲线：
损失函数值和迭代次数之间的曲线：
最终输出的结果：
可以看出当一个小孩的第一门功课为20分，第二门功课为80分时，这个小孩不允许上大学的概率为0.6680，因此如果作为二分类的话，就说明该小孩不会被允许上大学。
实验代码（原网页提供）% Exercise 4 -- Logistic Regressio
clear all; close all; clc
x = load(‘ex4x.dat‘);
y = load(‘ex4y.dat‘);
[m, n] = size(x);
% Add intercept term to x
x = [ones(m, 1), x];
% Plot the training data
% Use different markers for positives and negatives
figure
pos = find(y); neg = find(y == 0);%find是找到的一个向量，其结果是find函数括号值为真时的值的编号
plot(x(pos, 2), x(pos,3), ‘+‘)
hold on
plot(x(neg, 2), x(neg, 3), ‘o‘)
hold on
xlabel(‘Exam 1 score‘)
ylabel(‘Exam 2 score‘)
% Initialize fitting parameters
theta = zeros(n+1, 1);
% Define the sigmoid function
g = inline(‘1.0 ./ (1.0 + exp(-z))‘);
% Newton‘s method
MAX_ITR = 7;
J = zeros(MAX_ITR, 1);
for i = 1:MAX_ITR
% Calculate the hypothesis function
z = x * theta;
h = g(z);%转换成logistic函数
% Calculate gradient and hessian.
% The formulas below are equivalent to the summation formulas
% given in the lecture videos.
grad = (1/m).*x‘ * (h-y);%梯度的矢量表示法
H = (1/m).*x‘ * diag(h) * diag(1-h) * x;%hessian矩阵的矢量表示法
% Calculate J (for testing convergence)
J(i) =(1/m)*sum(-y.*log(h) - (1-y).*log(1-h));%损失函数的矢量表示法
theta = theta - H\grad;%此处的\右除表示H的逆矩阵乘grad
end
% Display theta
theta
% Calculate the probability that a student with
% Score 20 on exam 1 and score 80 on exam 2
% will not be admitted
prob = 1 - g([1, 20, 80]*theta)
%画出分界面
% Plot Newton‘s method result
% Only need 2 points to define a line, so choose two endpoints
plot_x = [min(x(:,2))-2, max(x(:,2))+2];
% Calculate the decision boundary line，plot_y的计算公式见博客下面的评论。
plot_y = (-1./theta(3)).*(theta(2).*plot_x +theta(1)); 直接令logistic回归的值为0.5，则可以得到e的指数为0，即：
%theta(1)*1+theta(2)*plot_x+theta(3)*plot_y=0,解出plot_y即可。 plot(plot_x, plot_y) legend(‘Admitted‘, ‘Not admitted‘, ‘Decision Boundary‘) hold off % Plot J figure plot(0:MAX_ITR-1, J, ‘o--‘, ‘MarkerFaceColor‘, ‘r‘, ‘MarkerSize‘, 8) xlabel(‘Iteration‘); ylabel(‘J‘) % Display J
参考资料：