逻辑斯底回归的特征、多分类问题及过拟合问题

首先，Logistic回归虽然名字里带“回归”，但是它实际上是一种分类方法，主要用于两分类问题，此外还能解决非线性问题。

LR分类器(Logistic Regression Classifier)目的就是从训练数据特征学习出一个0/1分类模型--这个模型以样本特征的线性组合作为自变量，使用logistic函数将自变量映射到(0,1)上。因此LR分类器的求解就是求解一组权值，当有一新样本过来时，首先将特征线性加权，然后代入Logistic函数，函数的输出值表示结果为1的概率，就是特征属于y=1的概率。
Logistic回归其优点是计算代价不高，易于理解和实现；其缺点是容易欠拟合，分类精度可能不高。

算法优化--随机梯度法

梯度上升（下降）算法在每次更新回归系数时都需要遍历整个数据集,该方法在处理100个左右的数据集时尚可，但如果有数十亿样本和成千上万的特征，那么该方法的计算复杂度就太高了。一种改进方法是一次仅用一个样本点来更新回归系数，该方法称为随机梯度算法。由于可以在新样本到来时对分类器进行增量式更新，它可以在新数据到来时就完成参数更新，而不需要重新读取整个数据集来进行批处理运算，因而随机梯度算法是一个在线学习算法。（与“在线学习”相对应，一次处理所有数据被称作是“批处理”）。随机梯度算法与梯度算法的效果相当，但具有更高的计算效率。

数据丢失处理方法

训练数据中样本特征值的部分缺失是很棘手的问题，很多文献致力于解决该问题，因为数据直接丢掉太可惜，重新获取代价也昂贵。一些可选的数据丢失处理方法包括：
□使用可用特征的均值来填补缺失值；
□使用特殊值来±真补缺失值，如-1;
□忽略有缺失值的样本；
□使用相似样本的均值添补缺失值；
□使用另外的机器学习算法预测缺失值。

损失函数

处理多分类问题

所谓one-vs-all method就是将binary分类的方法应用到多类分类中。
比如我想分成K类，那么就将其中一类作为positive，另（k-1）合起来作为negative，这样进行K个h(θ)的参数优化，每次得到的一个hθ(x)是指给定θ和x，它属于positive的类的概率。给定一个输入向量x，获得最大hθ(x)的类就是x所分到的类。

解决过拟合问题：

1. 减少feature个数（人工定义留多少个feature或者算法选取这些feature）
2. 正则化（留下所有的feature，但对于部分feature定义其parameter非常小）
PS：正则化之后就转化为了岭回归，类似的还有lasso回归等。