Demonstracja 2D z danymi zabawek zostanie wykorzystana do wyjaśnienia, co działo się w celu idealnej separacji regresji logistycznej z i bez regularyzacji. Eksperymenty rozpoczęły się od nakładającego się zestawu danych i stopniowo dzielimy dwie klasy. Kontur funkcji celu i optymima (utrata logistyczna) zostaną pokazane na prawej części rysunku. Dane i liniową granicę decyzyjną przedstawiono na lewej rycinie.
Najpierw próbujemy regresji logistycznej bez regularyzacji.
- Jak widzimy, gdy dane się rozchodzą, funkcja celu (utrata logistyki) zmienia się dramatycznie, a optym odchodzi do większej wartości .
- Po zakończeniu operacji kontur nie będzie miał „kształtu zamkniętego”. W tym momencie funkcja celu będzie zawsze mniejsza, gdy rozwiązanie znajdzie się w prawym górnym rogu.
Następnie próbujemy regresji logistycznej z regularyzacją L2 (L1 jest podobny).
Przy tej samej konfiguracji dodanie bardzo małej regularyzacji L2 zmieni zmiany funkcji celu względem rozdzielenia danych.
W takim przypadku zawsze będziemy mieć cel „wypukły”. Bez względu na stopień separacji danych.
kod (używam tego samego kodu do tej odpowiedzi: metody regularyzacji dla regresji logistycznej )
set.seed(0)
d=mlbench::mlbench.2dnormals(100, 2, r=1)
x = d$x
y = ifelse(d$classes==1, 1, 0)
logistic_loss <- function(w){
p = plogis(x %*% w)
L = -y*log(p) - (1-y)*log(1-p)
LwR2 = sum(L) + lambda*t(w) %*% w
return(c(LwR2))
}
logistic_loss_gr <- function(w){
p = plogis(x %*% w)
v = t(x) %*% (p - y)
return(c(v) + 2*lambda*w)
}
w_grid_v = seq(-10, 10, 0.1)
w_grid = expand.grid(w_grid_v, w_grid_v)
lambda = 0
opt1 = optimx::optimx(c(1,1), fn=logistic_loss, gr=logistic_loss_gr, method="BFGS")
z1 = matrix(apply(w_grid,1,logistic_loss), ncol=length(w_grid_v))
lambda = 5
opt2 = optimx::optimx(c(1,1), fn=logistic_loss, method="BFGS")
z2 = matrix(apply(w_grid,1,logistic_loss), ncol=length(w_grid_v))
plot(d, xlim=c(-3,3), ylim=c(-3,3))
abline(0, -opt1$p2/opt1$p1, col='blue', lwd=2)
abline(0, -opt2$p2/opt2$p1, col='black', lwd=2)
contour(w_grid_v, w_grid_v, z1, col='blue', lwd=2, nlevels=8)
contour(w_grid_v, w_grid_v, z2, col='black', lwd=2, nlevels=8, add=T)
points(opt1$p1, opt1$p2, col='blue', pch=19)
points(opt2$p1, opt2$p2, col='black', pch=19)