复盘：手推LR（逻辑回归logistics regression），它和线性回归linear regression的区别是啥？

提示：系列被面试官问的问题，我自己当时不会，所以下来自己复盘一下，认真学习和总结，以应对未来更多的可能性

关于互联网大厂的笔试面试，都是需要细心准备的
（1）自己的科研经历，科研内容，学习的相关领域知识，要熟悉熟透了
（2）自己的实习经历，做了什么内容，学习的领域知识，要熟悉熟透了
（3）除了科研，实习之外，平时自己关注的前沿知识，也不要落下，仔细了解，面试官很在乎你是否喜欢追进新科技，跟进创新概念和技术
（4）准备数据结构与算法，有笔试的大厂，第一关就是手撕代码做算法题
面试中，实际上，你准备数据结构与算法时以备不时之需，有足够的信心面对面试官可能问的算法题，很多情况下你的科研经历和实习经历足够跟面试官聊了，就不需要考你算法了。但很多大厂就会面试问你算法题，因此不论为了笔试面试，数据结构与算法必须熟悉熟透了
秋招提前批好多大厂不考笔试，直接面试，能否免笔试去面试，那就看你简历实力有多强了。

文章目录

• 复盘：手推LR（逻辑回归logistics regression），它和线性回归linear regression的区别是啥？
• • @[TOC](文章目录)
• 面试官：请你手推LR，它的梯度是啥？
• LR的典型应用场景：二分类
• 总结

面试官：请你手推LR，它的梯度是啥？

我们首先会介绍一个函数，也就是我们sigmoid的函数，
有些场景下，也会叫logistic函数，
这个函数其实非常简单，也就是我们这张图，

输入是X，然后，我们有个参数theta，
我们的输入，做了一下加权求和theta*x

这个是什么样的，我们说它是个典型的一个S型的一个图像，对？这图像有什么特点？
首先，就在原点零的情况？我们说可以往这画对，零，它其实对应的，是等于0.5
可以把零带进去是什么？E的零次方是等于1的，
整体也就是1/2
也就是说我们在原点的时候的话，它是等于0.5，
那么如果随着我们横轴，X轴往右一直是趋向于正无穷大的时候，你这个函数是什么趋向于一的。

也就是说，这个theta乘以X是趋向于无穷大，
那么负C大X趋向负无穷大，
e的负无穷大是等于什么是等于0的，
那么一加零，就等于一和1/1？
总之函数长下面这样

就是说它的值域，是在零到一之间的。
还有是什么？还有就是说它是一个平滑的，对不对，
平滑就方便什么，方便我们做，求微分，
或者说要求导对？
这个函数的一个导数，有一个非常好的一个结果，大家可以去求一下，下图我画出来了

求得的会发现这个函数的导数，就是等于原先的值乘以一减去原先的值，
也就是说它的导数，非常容易求，很简单，

线性回归linear regression的话，直接是说一个线性函数，直接把它值输出了，

我们现在logistics regression干啥呢？把y做了一个非线性变换，
那么这个非线性变换拿到这样的一个值相当于什么？

相当于把它压缩到零到一之间，那么压缩到零到一之间，又有什么特点？
因为我们说概率一个元素，它的概率的值是零到一的。

所以我们可以近似的把这个函数的值域表示成什么？表示成一个概率，
或者说它表示，我们就可以把它近似的看成是一个概率，它主观就是概率的一个定义，对不对？

这个时候我们说我们再来重新的看一下我们这个函数，
首先，我们说这个函数，对我们原始的输入，就是X，就是我们的特征，
然后我们身高体重等等值得你关注的目标是相关的一些特征
首先对每个特征做一下价值求和，做完加权求和之后，我们就拿到了汇总
线性回归拿到的一个值，然后对这个值做一下非线性变换，
压缩到零到一之间，已使得这个零到之间的值，能够表示成概率。

LR的典型应用场景：二分类

那么我们说这个LR的一个典型的一个场景，就是我们一个二分类的一个任务，
我输入我们的一个X，我们希望它输出是零或者是一，
那么我们对应到我们的LR模型，它用到了sigmoid函数

首先，我们对我们抽取出来的特征做一个线性变换，
就就直接是对我们加权求和，
再经过一个logistics函数，映射到零到一之间，就认为它是个概率，
我们再加上这个概率的值，与我们的一个阈值0.5进行比较，
那如果大于这个值，我们认为它就是一
小于我们的阈值0.5，认为它就是零，
这样的话，就能够得到我们的一个标签，
也就是说我们的这样的一个变化，
如果为一的概率，是大于0.5的，我们认为什么为一
如果小于0.5个，概率是零
就能够把它标记设置成零，
这个就是我们的一个函数。

经过y预测为1或者0的表达式各种转化

我们说一个更简便的方式，如上图
也就是说，我不管你的样本是等于Y是等于几，我都可以用这种方式来表示。

现在，假设我们有m个样本，训练样本是独立的，
我假设M的训练样本是独立的，
那么你需要解释每一个样本出现的概率
也就是说在X给定的情况下，我们的Y指定的概率是多少，
就等于它的一个乘积，对不对？【上图】

说白了我们就要求theta
使得上面L(theta)这个最大似然函数尽可能的大

相当于逼迫y_predict=y_groundtruth

但是直接求还不好求，我们讲L取对数吧

连乘变累加和

咋求l最大值呢，不就是对theta求导数吗？

经过我文章开头求过的sigmoid的函数的导数公式
各种化简，求到，整理
最后得到了梯度时间上很简单
即使(y-y_predict)*x

y就是真实值，标签
ypredict就是咱们LR模型输出的值
x是训练样本，梯度一出来
更新theta岂不就是很简单
这样就用梯度下降法，将LR的参数theta优化好了

LR就手动推导完成！！！

面试官常问的问题哦这可是

总结

提示：重要经验：

1）LR是线性回归用sigmoid激活之后的概率，线性回归是线性回归问题，而逻辑回归是二分类问题，sigmoid求到很重要，另外，LR的最大似然函数求到很重要
3）笔试求AC，可以不考虑空间复杂度，但是面试既要考虑时间复杂度最优，也要考虑空间复杂度最优。