接着上次的一篇文章:http://blog.csdn.net/acdreamers/article/details/27365941
在上次这篇文章中,对于Logistic回归问题,我们已经写出它的最大似然函数,现在来求最大似然估计。所以对似
然函数求偏导数,得到了个方程,即
由于我们只要根据这个方程解出所有的即可,但是这不是一件容易的事,还有Logistic回归求的是最大似
然估计,我们在多元函数求极值问题中也说过,导数等于零的点可能是极大值,极小值或者非极值。所以还要靠一个
叫Hessian矩阵的东西来判断。详见:http://blog.csdn.net/acdreamers/article/details/29594175
求Hessian矩阵那就先得求二阶偏导,所以进行如下推导过程
把Hessian矩阵表示出来。那么有
所以得到,可以看出矩阵的所有特征值都是小于零的,那么说明Hessian矩阵是负定的,也就是说
多元函数存在局部极大值,这也符合开始要求的最大似然估计。Hessian矩阵描述了多元函数的局部曲率,普通的牛
顿迭代形式如下(求解方程)
开始我们会选择一个点作为迭代起始点,有时候这个点的选取很关键,因为牛顿迭代法得到的是局部最优解,如
果函数只存在一个零点,那么这个点选取无关重要,但是如果存在多个局部最优解,一般是求指定在某个点
附近的零点。对于Logistic回归问题,局部最优解不一定是全局最优解,我们可以多次随机取最优解。
对于上述方程组,我们同样用牛顿迭代法求解,那么有,其中
上述的是对称负定的,现在求,也就是解线性方程,由于对称负定,所以用Cholesky分解。
Cholesky分解原理后续会详细讲解。
这样通过表达式一直迭代下去,直到指定的精度,收敛到局部最优值。当然,全局最优值可以
多次随机初始值取最优即可。
牛顿迭代法求Logistic回归,布布扣,bubuko.com