1.1 线性回归不能做分类的原因

线性回归的输出是一个连续值，取值范围是 $(-\infty, +\infty)$。而二分类问题的输出是离散的类别标签，比如 $y \in \{0, 1\}$。

如果我们直接用线性回归 $z = w^T x$ 去拟合 0/1 标签，会遇到两个问题 —— 预测值可能远超出 [0, 1] 区间，无法解释为概率；模型对异常值极其敏感

因此，我们需要一个映射函数，将线性回归的输出 $z \in (-\infty, +\infty)$ 压缩到 $[0, 1]$ 区间，使其可以解释为概率。

1.2 Sigmoid 函数

最常用的映射函数就是 Sigmoid 函数（也叫 Logistic 函数）：

$\sigma(z) = \frac{1}{1 + e^{-z}}$

它的图像是一个优美的 S 形曲线，具有以下重要性质：

1. 值域为 (0, 1)：可以将任意实数映射为概率
2. 单调递增：$z$ 越大，输出越接近 1
3. 中心对称：$\sigma(0) = 0.5$，关于点 (0, 0.5) 对称
4. 处处可导、光滑连续
5. 导数形式极其简洁：$\sigma'(z) = \sigma(z) \cdot (1 - \sigma(z))$

这个导数特性非常关键——它意味着我们可以根据函数值直接计算导数值，而不需要额外的计算，在梯度下降中效率极高。代码示例如下：

1
import numpy as np
2
import matplotlib.pyplot as plt
3

4
def sigmoid(z):
5
    return 1 / (1 + np.exp(-z))
6

7
def sigmoid_derivative(z):
8
    s = sigmoid(z)
9
    return s * (1 - s)
10

11
z = np.linspace(-10, 10, 100)
12
plt.plot(z, sigmoid(z), label='σ(z)')
13
plt.plot(z, sigmoid_derivative(z), label="σ'(z)", linestyle='--')
14
plt.axhline(0.5, color='gray', linestyle=':')
15
plt.axvline(0, color='gray', linestyle=':')
16
plt.xlabel('z')
17
plt.ylabel('value')
18
plt.legend()
19
plt.title('Sigmoid 函数及其导数')
20
plt.show()

1.3 逻辑回归的模型形式

逻辑回归的模型假设是：

$h_\theta(x) = \sigma(\theta^T x) = \frac{1}{1 + e^{-\theta^T x}}$

其中 $h_\theta(x)$ 表示在给定参数 $\theta$ 和输入 $x$ 的条件下，样本属于正类（y=1） 的概率：

$P(y=1 \mid x; \theta) = h_\theta(x)$

$P(y=0 \mid x; \theta) = 1 - h_\theta(x)$

将两个式子统一写成：

$P(y \mid x; \theta) = h_\theta(x)^y \cdot (1 - h_\theta(x))^{1-y}, \quad y \in \{0, 1\}$

2.1 对数几率的含义

几率（Odds） 是指事件发生的概率与不发生的概率之比：

$\text{Odds} = \frac{P(y=1 \mid x)}{P(y=0 \mid x)} = \frac{h_\theta(x)}{1 - h_\theta(x)}$

对几率取自然对数，得到对数几率（Log Odds） ，也叫 Logit：

$\text{Logit} = \log\left(\frac{h_\theta(x)}{1 - h_\theta(x)}\right)$

将 $h_\theta(x) = \sigma(\theta^T x)$ 代入：

$\log\left(\frac{h_\theta(x)}{1 - h_\theta(x)}\right) = \log\left(\frac{\frac{1}{1+e^{-\theta^T x}}}{\frac{e^{-\theta^T x}}{1+e^{-\theta^T x}}}\right) = \log(e^{\theta^T x}) = \theta^T x$

Important

这就是逻辑回归被称为“对数几率回归”的原因 —— 模型实际上是用线性回归 $\theta^T x$ 去逼近真实标签的对数几率。

2.2 决策边界

从上面的推导可以看出：

$h_\theta(x) > 0.5 \iff \theta^T x > 0$

$h_\theta(x) < 0.5 \iff \theta^T x < 0$

因此，决策边界就是 $\theta^T x = 0$ 这条线（或超平面）。

观察到逻辑回归的决策边界本质上是线性的。如果数据本身不是线性可分的，我们需要通过特征工程（如添加多项式特征、交互特征）来构造非线性决策边界。

代码示例：

1
from sklearn.datasets import make_classification
2
from sklearn.linear_model import LogisticRegression
3

4
# 生成二分类数据
5
X, y = make_classification(n_samples=200, n_features=2, n_redundant=0,
6
                           n_clusters_per_class=1, random_state=42)
7

8
# 训练逻辑回归
9
model = LogisticRegression()
10
model.fit(X, y)
11

12
# 决策边界: θ0 + θ1*x1 + θ2*x2 = 0 => x2 = -(θ0 + θ1*x1) / θ2
13
coef = model.coef_[0]
14
intercept = model.intercept_[0]
15
# 绘制决策边界...

3.1 使用最大似然估计的原因

在线性回归中，我们通过最小化均方误差（MSE） 来求解参数。但在逻辑回归中，MSE 不再是凸函数，用梯度下降容易陷入局部最优。

因此，逻辑回归采用最大似然估计（Maximum Likelihood Estimation, MLE） 来估计参数。

3.2 似然函数

给定训练集 $\{(x^{(i)}, y^{(i)})\}_{i=1}^{n}$，其中 $y^{(i)} \in \{0, 1\}$。

根据模型假设，每个样本的概率为：

$P(y^{(i)} \mid x^{(i)}; \theta) = h_\theta(x^{(i)})^{y^{(i)}} \cdot (1 - h_\theta(x^{(i)}))^{1-y^{(i)}}$

假设样本之间独立同分布，则似然函数为所有样本概率的乘积：

$L(\theta) = \prod_{i=1}^{n} h_\theta(x^{(i)})^{y^{(i)}} \cdot (1 - h_\theta(x^{(i)}))^{1-y^{(i)}}$

3.3 对数似然与损失函数

直接最大化乘积不方便（容易数值下溢），取对数将乘积变为求和：

$\ell(\theta) = \log L(\theta) = \sum_{i=1}^{n} \left[ y^{(i)} \log h_\theta(x^{(i)}) + (1 - y^{(i)}) \log (1 - h_\theta(x^{(i)})) \right]$

机器学习中习惯最小化损失函数，所以在对数似然前加负号，得到交叉熵损失（Cross-Entropy Loss） ：

$\boxed{J(\theta) = -\frac{1}{n} \sum_{i=1}^{n} \left[ y^{(i)} \log h_\theta(x^{(i)}) + (1 - y^{(i)}) \log (1 - h_\theta(x^{(i)})) \right]}$

3.4 梯度下降求解

对 $J(\theta)$ 求偏导：

$\frac{\partial J(\theta)}{\partial \theta_j} = \frac{1}{n} \sum_{i=1}^{n} (h_\theta(x^{(i)}) - y^{(i)}) \cdot x_j^{(i)}$

具体推导：

定义：$z = \theta^T x, \quad h = \sigma(z), \quad \sigma'(z) = h(1-h)$

链式法则：$\frac{\partial h}{\partial \theta_j} = h(1-h)x_j$

单样本损失：$L = -\left[ y \log h + (1-y) \log (1-h) \right]$

求偏导：$\frac{\partial L}{\partial \theta_j} = -\left( \frac{y}{h} - \frac{1-y}{1-h} \right) \frac{\partial h}{\partial \theta_j}$

代入 $\frac{\partial h}{\partial \theta_j}$：$\frac{\partial L}{\partial \theta_j} = -\frac{y(1-h) - h(1-y)}{h(1-h)} \cdot h(1-h)x_j$

化简：$\frac{\partial L}{\partial \theta_j} = -\left( y - yh - h + yh \right)x_j = -(y - h)x_j = (h - y)x_j$

对所有样本取平均得：

$\frac{\partial J(\theta)}{\partial \theta_j} = \frac{1}{n} \sum_{i=1}^{n} (h_\theta(x^{(i)}) - y^{(i)}) \cdot x_j^{(i)}$

这个形式与线性回归的梯度形式极其相似！区别仅在于线性回归的预测值是 $\theta^T x$，而逻辑回归的预测值是 $h_\theta(x) = \sigma(\theta^T x)$。

梯度下降更新公式：

$\theta_j := \theta_j - \alpha \cdot \frac{1}{n} \sum_{i=1}^{n} (h_\theta(x^{(i)}) - y^{(i)}) \cdot x_j^{(i)}$

代码实现：

1
class LogisticRegressionGD:
2
    """使用梯度下降的逻辑回归"""
3

4
    def __init__(self, learning_rate=0.01, n_iterations=1000):
5
        self.lr = learning_rate
6
        self.n_iterations = n_iterations
7
        self.theta = None
8

9
    def sigmoid(self, z):
10
        return 1 / (1 + np.exp(-z))
11

12
    def fit(self, X, y):
13
        n_samples, n_features = X.shape
14
        X_b = np.c_[np.ones((n_samples, 1)), X]  # 添加截距项
15
        self.theta = np.zeros(n_features + 1)
16

17
        for _ in range(self.n_iterations):
18
            z = X_b @ self.theta
19
            h = self.sigmoid(z)
20
            gradient = (1 / n_samples) * (X_b.T @ (h - y))
21
            self.theta -= self.lr * gradient
22

23
        self.intercept_ = self.theta[0]
24
        self.coef_ = self.theta[1:]
25
        return self
26

27
    def predict_proba(self, X):
28
        X_b = np.c_[np.ones((X.shape[0], 1)), X]
29
        return self.sigmoid(X_b @ self.theta)
30

31
    def predict(self, X, threshold=0.5):
32
        return (self.predict_proba(X) >= threshold).astype(int)

4.1 使用 Softmax 的原因

当类别数 $K > 2$ 时，二分类逻辑回归无法直接使用。有两种常见的处理策略：

1. One-vs-Rest（OvR） ：为每个类别训练一个二分类器，将该类 vs 其他所有类
2. Softmax 回归（多项逻辑回归）：直接建模多分类问题

Softmax 回归是逻辑回归在多分类问题上的自然推广。它假设类别之间互斥（每个样本只属于一个类别）。

4.2 Softmax 函数的定义

给定 $K$ 个类别的得分（logits）$z_1, z_2, ..., z_K$，Softmax 函数将其转换为概率分布：

$\text{Softmax}(z)_k = \frac{e^{z_k}}{\sum_{j=1}^{K} e^{z_j}}, \quad k = 1, 2, ..., K$

Softmax 的输出满足概率分布的两个性质 —— 每个输出在 (0, 1) 之间，所有输出之和为 1

在 Softmax 回归中，每个类别 $k$ 有自己的权重向量 $\theta_k$，得分 $z_k = \theta_k^T x$：

$P(y=k \mid x; \Theta) = \frac{e^{\theta_k^T x}}{\sum_{j=1}^{K} e^{\theta_j^T x}}$

4.3 最大似然推导

对于多分类问题，标签 $y \in \{1, 2, ..., K\}$。用独热编码（One-Hot Encoding） 表示：如果样本属于类别 $k$，则 $y_k = 1$，其余为 0。

似然函数为：

$L(\Theta) = \prod_{i=1}^{n} \prod_{k=1}^{K} P(y=k \mid x^{(i)}; \Theta)^{\mathbb{I}(y^{(i)}=k)}$

取负对数，得到多分类交叉熵损失：

$\boxed{J(\Theta) = -\frac{1}{n} \sum_{i=1}^{n} \sum_{k=1}^{K} \mathbb{I}(y^{(i)}=k) \cdot \log\left(\frac{e^{\theta_k^T x^{(i)}}}{\sum_{j=1}^{K} e^{\theta_j^T x^{(i)}}}\right)}$

对 $\theta_k$ 求梯度：

$\frac{\partial J(\Theta)}{\partial \theta_k} = \frac{1}{n} \sum_{i=1}^{n} (P(y=k \mid x^{(i)}) - \mathbb{I}(y^{(i)}=k)) \cdot x^{(i)}$

这个形式与二分类逻辑回归的梯度完全一致——只是从 2 类扩展到了 K 类。

代码实现：

1
class SoftmaxRegression:
2
    """使用梯度下降的Softmax回归"""
3

4
    def __init__(self, learning_rate=0.01, n_iterations=1000):
5
        self.lr = learning_rate
6
        self.n_iterations = n_iterations
7
        self.theta = None
8

9
    def softmax(self, Z):
10
        # Z: (n_samples, K)
11
        exp_Z = np.exp(Z - np.max(Z, axis=1, keepdims=True))  # 数值稳定
12
        return exp_Z / np.sum(exp_Z, axis=1, keepdims=True)
13

14
    def fit(self, X, y):
15
        n_samples, n_features = X.shape
16
        self.classes = np.unique(y)
17
        self.K = len(self.classes)
18

19
        # 将标签转为独热编码
20
        y_onehot = np.eye(self.K)[y]
21

22
        X_b = np.c_[np.ones((n_samples, 1)), X]
23
        self.theta = np.zeros((n_features + 1, self.K))
24

25
        for _ in range(self.n_iterations):
26
            scores = X_b @ self.theta  # (n_samples, K)
27
            probs = self.softmax(scores)
28
            gradient = (1 / n_samples) * (X_b.T @ (probs - y_onehot))
29
            self.theta -= self.lr * gradient
30

31
        self.intercept_ = self.theta[0]
32
        self.coef_ = self.theta[1:]
33
        return self
34

35
    def predict_proba(self, X):
36
        X_b = np.c_[np.ones((X.shape[0], 1)), X]
37
        return self.softmax(X_b @ self.theta)
38

39
    def predict(self, X):
40
        return self.classes[np.argmax(self.predict_proba(X), axis=1)]

5.1 数值不稳定的原因

直接计算 Softmax 时，需要计算 $e^{z_k}$。

• 当 $z_k$ 很大时（比如 $z_k = 1000$），$e^{1000}$ 会溢出（overflow） ，Python 会返回 inf。
• 当所有 $z_k$ 都是很小的负数时，所有 $e^{z_k}$ 都趋近于 0，导致下溢（underflow） 。

1
# 不安全的实现 —— 会溢出！
2
def bad_softmax(scores):
3
    exp_scores = np.exp(scores)  # 如果 scores 包含 1000，这里就爆了
4
    return exp_scores / exp_scores.sum()

5.2 Log-Sum-Exp Trick

解决方案是利用一个恒等变换：

$\log\sum_{k=1}^{K} e^{z_k} = m + \log\sum_{k=1}^{K} e^{z_k - m}$

其中 $m = \max_k z_k$。这个等式对任意 $m$ 都成立。

取 $m$ 为所有得分中的最大值后，$z_k - m \leq 0$，所以 $e^{z_k - m} \in (0, 1]$，绝对不会溢出。

对于 Log-Softmax（即 $\log(\text{Softmax})$，在计算交叉熵时常用）：

$\log(\text{Softmax}(z)_k) = z_k - \log\sum_{j=1}^{K} e^{z_j} = z_k - m - \log\sum_{j=1}^{K} e^{z_j - m}$

代码实现：

1
def stable_softmax(scores):
2
    """数值稳定的 Softmax 实现"""
3
    m = np.max(scores, axis=-1, keepdims=True)
4
    safe_scores = scores - m
5
    exp_scores = np.exp(safe_scores)
6
    return exp_scores / np.sum(exp_scores, axis=-1, keepdims=True)
7

8
def stable_log_softmax(scores):
9
    """数值稳定的 Log-Softmax 实现"""
10
    m = np.max(scores, axis=-1, keepdims=True)
11
    safe_scores = scores - m
12
    log_sum_exp = m + np.log(np.sum(np.exp(safe_scores), axis=-1, keepdims=True))
13
    return safe_scores - log_sum_exp
14

15
# 测试
16
scores = np.array([1000, 1001, 1002])
17
print("Stable softmax:", stable_softmax(scores))
18
print("Stable log_softmax:", stable_log_softmax(scores))
19
# 输出: 概率分布合理，不会溢出

5.3 实际应用中的最佳实践

在实际的深度学习框架（PyTorch、TensorFlow）中，永远不要单独计算 Softmax 再取 Log，而是直接使用 log_softmax 或 CrossEntropyLoss。CrossEntropyLoss 内部已经集成了 LogSoftmax + NLLLoss，数值稳定且高效。

6.1 从二分类到多分类的混淆矩阵

在二分类中，我们有 TP、FP、TN、FN。在多分类中，每个类别都有自己的 TP、FP、FN：

• TP$_k$：真实类别为 $k$，预测也为 $k$ 的样本数（混淆矩阵主对角线）
• FP$_k$：真实类别不是 $k$，但预测为 $k$ 的样本数
• FN$_k$：真实类别为 $k$，但预测不是 $k$ 的样本数

每个类别的 Precision 和 Recall 为：

$\text{Precision}_k = \frac{TP_k}{TP_k + FP_k}, \quad \text{Recall}_k = \frac{TP_k}{TP_k + FN_k}$

每个类别的 F1-Score 为：

$F1_k = 2 \cdot \frac{\text{Precision}_k \cdot \text{Recall}_k}{\text{Precision}_k + \text{Recall}_k}$

6.2 宏平均（Macro-Average）

宏平均对每个类别平等对待，先计算每个类别的指标，再取算术平均：

$F1_{\text{macro}} = \frac{1}{K} \sum_{k=1}^{K} F1_k$

特点：每个类别权重相同，不受类别不平衡影响；少数类的表现会被同等重视；适合每个类别都很重要的场景

6.3 微平均（Micro-Average）

微平均先汇总所有类别的 TP、FP、FN，再统一计算：

$\text{Precision}_{\text{micro}} = \frac{\sum_k TP_k}{\sum_k TP_k + \sum_k FP_k}$

$\text{Recall}_{\text{micro}} = \frac{\sum_k TP_k}{\sum_k TP_k + \sum_k FN_k}$

$F1_{\text{micro}} = 2 \cdot \frac{\text{Precision}_{\text{micro}} \cdot \text{Recall}_{\text{micro}}}{\text{Precision}_{\text{micro}} + \text{Recall}_{\text{micro}}}$

注意：在多分类单标签问题中，微平均 F1 等于准确率（Accuracy） 。

特点：每个样本被平等对待，大类别主导指标；对类别不平衡不敏感（实际上是被大类主导了）；适合整体准确性比每个类别的公平性更重要的场景

6.4 代码实现

1
from sklearn.metrics import confusion_matrix, f1_score
2
import numpy as np
3

4
def macro_f1(y_true, y_pred, num_classes):
5
    """手动计算宏平均 F1"""
6
    cm = confusion_matrix(y_true, y_pred, labels=range(num_classes))
7
    f1s = []
8
    for k in range(num_classes):
9
        TP = cm[k, k]
10
        FP = cm[:, k].sum() - TP
11
        FN = cm[k, :].sum() - TP
12
        precision = TP / (TP + FP) if (TP + FP) > 0 else 0
13
        recall = TP / (TP + FN) if (TP + FN) > 0 else 0
14
        f1 = 2 * precision * recall / (precision + recall) if (precision + recall) > 0 else 0
15
        f1s.append(f1)
16
    return np.mean(f1s)
17

18
def micro_f1(y_true, y_pred, num_classes):
19
    """手动计算微平均 F1"""
20
    cm = confusion_matrix(y_true, y_pred, labels=range(num_classes))
21
    total_TP = np.trace(cm)
22
    total_FP = cm.sum() - total_TP  # 在多分类中，总FP = 总FN
23
    total_FN = cm.sum() - total_TP
24
    precision = total_TP / (total_TP + total_FP) if (total_TP + total_FP) > 0 else 0
25
    recall = total_TP / (total_TP + total_FN) if (total_TP + total_FN) > 0 else 0
26
    return 2 * precision * recall / (precision + recall) if (precision + recall) > 0 else 0
27

28
# 示例
29
y_true = np.array([0, 0, 1, 1, 2, 2, 2])
30
y_pred = np.array([0, 1, 1, 2, 2, 0, 1])
31

32
print(f"Macro F1 (手动): {macro_f1(y_true, y_pred, 3):.4f}")
33
print(f"Micro F1 (手动): {micro_f1(y_true, y_pred, 3):.4f}")
34
print(f"Macro F1 (sklearn): {f1_score(y_true, y_pred, average='macro'):.4f}")
35
print(f"Micro F1 (sklearn): {f1_score(y_true, y_pred, average='micro'):.4f}")

6.5 多分类评价指标对比

总结

概念	二分类（逻辑回归）	多分类（Softmax 回归）
激活函数	Sigmoid: $\sigma(z) = 1/(1+e^{-z})$	Softmax: $p_k = e^{z_k}/\sum e^{z_j}$
输出	1 个概率（正类）	K 个概率（和为 1）
损失函数	二分类交叉熵	多分类交叉熵
参数数量	$p+1$	$K \times (p+1)$
梯度形式	$(h-y)x$	$(p_k - \mathbb{I}_{y=k})x$

核心要点回顾

1. Sigmoid 函数将线性输出映射到 (0, 1) 区间，其导数 $\sigma'(z) = \sigma(z)(1-\sigma(z))$ 形式简洁，是梯度下降高效计算的关键。
2. 对数几率（Log Odds） 揭示了逻辑回归的本质：用线性模型 $\theta^T x$ 去逼近真实标签的对数几率。决策边界 $\theta^T x = 0$ 是线性的。
3. 最大似然估计推导出交叉熵损失函数，梯度形式与线性回归相似，区别仅在于预测函数从 $\theta^T x$ 变成了 $\sigma(\theta^T x)$。
4. Softmax 回归是逻辑回归在多分类（类别互斥）场景下的自然推广，使用 Log-Sum-Exp Trick 保证数值稳定性——永远不要单独计算 Softmax 再取 Log。
5. 宏平均（Macro） 平等对待每个类别，适合不平衡数据；微平均（Micro） 平等对待每个样本，适合关注整体准确性的场景。