[Theme 03] Logistic Regression (odds/logit/sigmoid/bce)

안녕하세요 pulluper 입니다. 😀

이번 포스팅에서는 Logistic Regression model 에 대하여 알아보겠습니다.

---

이전의 [Linear Regression] 에서는 종속변수 Y가 연속적 이었습니다. 즉, 철수가 시험공부시간을 예측하는데, 예측점수 y는 0~100 까지의 연속적인 data입니다. 그런데, 만약 이번에는 종속변수가 범주형 (0, 1 혹은 여러 class) 이라면 그대로 Linear Reression 을 사용하기는 문제가 있습니다. 다음 그림에서 x축은 공부 시간이고, y축은 시험에 합격, 불합격을 나타내는 0, 1 의 binary label 입니다. 

binary label distribution

이를 linear regression 으로 다음과 같은 직선을 얻었다고 가정해 봅시다. y = 0.25x - 0.5 그리고 자료들을 이 직선에 넣었을 때, 0.5 이상인 값들을 합격으로, 그 이하는 불합격으로 판단 할 수는 있습니다.

linear regression for binary regression

그런데, 아래 그림과 같이 새로운 data 가 들어왔을 때, 기존의 판단의 근거로 사용했던 직선에서 오른쪽 점선 직선으로 변경이 됩니다, 이를 기준으로 사용하기에는 0.5라는 수치는 판단오류를 너무 많이 나게 합니다. 이렇듯 Linear Regression 은 이상치에 대하여 민감한 단점이 있습니다. 그리고 어느 직선이든 기울기가 0이 아니면 그 범위는 $[-\mathrm{\infty },\mathrm{\infty }]$ 이기 때문에, 학습할 때, 직선으로는 정확한 판단을 하기가 어렵고, test 에서 학습에 사용되지 않은 data에 대하여 예측을 잘 못할 가능성이 큽니다. 이를 해결하기 위해서 직선이 아닌 곡선으로 fitting 하기 위한 방법이 logistic regression 입니다. 

linear regression for new outlier data

---

그러면 범주형 data는 어떻게 regression 하면 좋을까요? 바로 logistic regression을 이용하면 됩니다! logit을 알기 전에 먼저 odds 의 개념부터 정리하고 가겠습니다. 

 

Odds란 성공횟수 / 실패횟수 에 관한 비입니다. 예를들어, 주사위를 던질 때, (1, 3)이 나오면 승리하는 것이고, (2, 4, 5, 6) 이 나오면 패배 하는 게임에서 $odds=\frac{2}{4}=0.5$ 입니다. 이것은 성공확률 / 실패확률 과 같으며, 어떤 사건에 대한 확률이 p이고 그것에 대한 odds는 $odds=\frac{p}{1-p}$ 입니다. (사건과 ~사건은 배반사건이며, 전체를 이룬다) p 는 $[0,1]$ 의 범위를 가지며, 다음과 같은 그래프로 표현 가능합니다. 점근선은 1이며, $[0,1]$ 의 정의역에서 $[0,\mathrm{\infty }]$의 치역을 갖습니다 

 

Logit 은 odds 에 log 를 취한것과 같습니다. 이때, 치역이 $[-\mathrm{\infty },\mathrm{\infty }]$ 이고, (0.5, 0) 에 대하여 symmetric 합니다. 이 그래프는 다음과 같습니다.

odds / logit graph

logit 을 a 라고 가정하고, p에 대하여 정리를 하면, 다음과 같이 $p=\frac{1}{e^{-a}+1}$ 이 나옵니다. 이 의미는, $[-\mathrm{\infty },\mathrm{\infty }]$ 의 a를 $[0,1]$ 의 p로 변환시켜 주는 것입니다. 선형회귀의 식은, 보통 $[-\mathrm{\infty },\mathrm{\infty }]$ 을 갖기 때문에, a 대신 넣어주면, 그 값을 0~1로변환시켜주는 logistic function 으로 사용됩니다. 이것은 sigmoid function 이라고도 불립니다. 유도과정은 다음과 같습니다. 

 

                                                                           $\begin{array}{rl}\log (\frac{p}{1-p})& =a\\ \frac{p}{1-p}& =e^a\\ \frac{1-p}{p}& =e^{-a}\\ \frac{1}{p}& =e^{-a}+1\\ p& =\frac{1}{e^{-a}+1}\end{array}$

 

그렇다면, linear regression 을 $Wx+b$라고 했을 때, logistic(sigmoid) function 에 넣으면, $\frac{1}{e^{-Wx+b}+1}$ 이 되고 이것은 다음 그림처럼 곡선을 따라서 fitting 하게 됩니다. 이를 통해 범주형 data에 대한 regression 을 더 잘 할수 있습니다. 👏👏👏

logistic regression

---

이제 sigmoid 함수를 이용한 output에 대하여, 어떻게 학습을 하는지 알아보겠습니다. 

Linear regression 에서 사용했던 OLS/ GD / MLE 를 사용해보겠습니다 

 

OLS (ordinary least square) 를 사용해보려 하는데, 다음과 같은 의견이 있었습니다. sigmoid function 은 OLS 같은 방식을 배제시킨다는.. 따라서 GD, newton 방법, MLE 등을 이용해야 합니다. 

https://stats.stackexchange.com/questions/236028/how-to-solve-logistic-regression-using-ordinary-least-squares

How To Solve Logistic Regression Using Ordinary Least Squares?

---

MLE

 

logistic regression은 binary cross entropy 의 loss 를 사용합니다. 이번에 MLE를 통해서 BCE의 유도과정을 알아보겠습니다.

 

위에서 구한 $\frac{1}{1+e^{-Wx+b}}$ 는 0~1 의 값을 가집니다.

이는 bernoulli 분포를 가진다고 가정하기 적당합니다. bernoulli 는 확률변수 Y 에 대하여 다음과 같은 pdf를 갖습니다, $p(Y|\theta )=L(\theta |Y)=(\theta {)}^Y(1-\theta {)}^{1-Y},whereY\in 0,1$ 따라서 data들의 likelihood 는 pdf들의 곱 입니다 .

 

이를 정리하면, $L(\theta |Y)=\prod _i{\theta }_i^y(1-\theta {)}^{(1-y_i)}$ 입니다. 여기에 log를 씌워 log likelihood 를 만들면, $\log (L)=\sum _i{y}_i\log (\theta )+\sum _i(1-y_i)\log (1-\theta )$ 입니다. $\theta$ 는 0 ~ 1 을 가지는 확률이고 이는 우리가 구한 $f(x|W,b)={\displaystyle \frac{1}{1+e^{-Wx+b}}}$ 로 대체될 수 있습니다. 

 

이를 정리하면 $\log (L)=\sum _i{y}_i\log (f(x))+\sum _i(1-y_i)\log (1-f(x))$ 입니다.  MLE에서는 이것을 maximize 시켜야 하므로, -1 을 곱한 후 minimize 시키는 방법으로 (binary) cross entropy 를 구할 수 있습니다. 

---

GD (Gradient Descent)

 

이제 위에서 구한 binary cross entropy 함수 $bce(X,Y)=-(\sum _i{y}_i\log (f(x_i))+\sum _i(1-y_i)\log (1-f(x_i)))$ 를 minimize 시켜야 하므로 이를 Gradient Descent 방법으로 줄여서 W, b를 업데이트 할 수 있습니다. 

---

Quiz

 

오늘 다뤘던 내용을 마무리 하기전 quiz 로 복습을 해 보겠습니다. 

 

1. odds 란?

2. logit 이란?

3. sigmoid 유도과정은?

4. bernoiulli 분포란?

5. binary cross entropy 를 MLE 를 통해 유도한다면?

 

이번에는 두가지 클래스 분류를 할 수 있는 Logistic Regression에 대하여 sigmoid 와 binary cross entropy 에 대하여 알아보았습니다. 다음 포스팅에서는 multi class 에 대한 분류를 할 수 있는 softmax regression 에 대하여 알아보겠습니다. 질문과 토론은 항상 환영합니다. 감사합니다~뿅!! 😎😎😎

---

reference :

https://hyunlee103.tistory.com/12

[머신러닝] Logistic Regression(MLE와 Bayesian inference를 통한 확률론적 접근)

https://nittaku.tistory.com/478

5-6. 로지스틱 회귀분석(Logistic Regression)

https://csm-kr.tistory.com/35?category=1268905