5個緣由告訴你：爲何在成爲數據科學家以前，「邏輯迴歸」是第一個須要學習的

在幾年以前，我踏進了數據科學的大門。以前仍是軟件工程師的時候，我是最早開始在網上自學的（在開始個人碩士學位以前）。我記得當我搜集網上資源的時候，我看見的只有玲琅滿目的算法名稱—線性迴歸，支持向量機（SVM），決策樹（DT），隨即森林（RF），神經網絡等。對於剛剛開始學習的我來講，這些算法都是很是有難度的。可是，後來我才發現：要成爲一名數據科學家，最重要的事情就是了解和學習整個的流程，好比，如何獲取和處理數據，如何理解數據，如何搭建模型，如何評估結果（模型和數據處理階段）和優化。爲了達到這個目的，我認爲從邏輯迴歸開始入門是很是不錯的選擇，這樣不但可讓咱們很快熟悉這個流程，並且不被那些高大上的算法所嚇倒。

所以，下面將要列出5條緣由來講明爲何最開始學習邏輯迴歸是入門最好的選擇。固然，這只是我我的的見解，對於其餘人可能有更快捷的學習方式。

1. 由於模型算法只是整個流程的一部分

像我以前提到的同樣，數據科學工做不只僅是建模，它還包括如下的步驟：

能夠看到，「建模」 只是這個重複過程的一部分而已。當開展一個數據產品的時候，一個很是好的實踐就是首先創建你的整個流程，讓它越簡單越好，清楚地明白你想要得到什麼，如何進行評估測試，以及你的baseline是什麼。隨後在這基礎上，你就能夠加入一些比較炫酷的機器學習算法，並知道你的效果是否變得更好。

順便說下，邏輯迴歸（或者任何ML算法）可能不僅是在建模部分所使用，它們也可能在數據理解和數據準備的階段使用，填補缺失值就是一個例子。

2. 由於你將要更好地理解機器學習

我想當你們看到本篇的時候，第一個想要問的問題就是：爲何是邏輯迴歸，而不是線性迴歸。真相實際上是都無所謂，理解了機器學習纔是最終目的。說到這個問題，就要引出監督學習的兩個類型了，分類（邏輯迴歸）和迴歸（線性迴歸）。當你使用邏輯迴歸或者線性迴歸創建你整個流程的時候（越簡單越好），你會慢慢地熟悉機器學習裏的一些概念，例如監督學習v.s非監督學習，分類v.s迴歸，線性v.s非線性等，以及更多問題。你也會知道如何準備你的數據，以及這過程當中有什麼挑戰（好比填補缺失值和特徵選擇），如何度量評估模型，是該使用準確率，仍是精準率和召回率，RUC AUC？又或者多是 「均方差」和「皮爾遜相關」？全部的概念都都是數據科學學習過程當中很是重要的知識點。等慢慢熟悉了這些概念之後，你就能夠用更復雜的模型或者技巧（一旦你掌握了以後）來替代你以前的簡單模型了。

3. 由於邏輯迴歸有的時候，已經足夠用了

邏輯迴歸是一個很是強大的算法，甚至對於一些很是複雜的問題，它均可以作到遊刃有餘。拿MNIST舉例，你可使用邏輯迴歸得到95%的準確率，這個數字可能並非一個很是出色的結果，可是它對於保證你的整個流程工做來講已經足夠好了。實際上，若是說可以選擇正確且有表明性的特徵，邏輯迴歸徹底能夠作的很是好。

當處理非線性的問題時，咱們有時候會用可解釋的線性方式來處理原始數據。能夠用一個簡單的例子來講明這種思想：如今咱們想要基於這種思想來作一個簡單的分類任務。

X1    x2    |  Y
==================
-2    0        1
 2    0        1
-1    0        0
 1    0        0

若是咱們將數據可視化，咱們能夠看到沒有一條直線能夠將它們分開。

在這種狀況下，若是不對數據作一些處理的話，邏輯迴歸是沒法幫到咱們的，可是若是咱們不用x2 特徵，而使用x1²來代替，那麼數據將會變成這樣：

X1    x1^2  |  Y
==================
-2    4       1
 2    4       1
-1    1       0
 1    1       0

如今，就存在一條直線能夠將它們分開了。固然，這個簡單的例子只是爲了說明這種思想，對於現實世界來說，很難發現或找到如何改變數據的方法以可使用線性分類器來幫助你。可是，若是你能夠在特徵工程和特徵選擇上多花些時間，那麼極可能你的邏輯迴歸是能夠很好的勝任的。

4. 由於邏輯迴歸是統計中的一個重要工具

線性迴歸不只僅能夠用來預測。若是你有了一個訓練好的線性模型，你能夠經過它學習到因變量和自變量之間的關係，或者用更多的ML語言來講，你能夠學習到特徵變量和目標變量的關係。一個簡單的例子，房價預測，咱們有不少房屋特徵，還有實際的房價。咱們基於這些數據訓練一個線性迴歸模型，而後獲得了很好的結果。經過訓練，咱們能夠發現模型訓練後會給每一個特徵分配相應的權重。若是某個特徵權重很高，咱們就能夠說這個特徵比其它的特徵更重要。好比房屋大小特徵，對於房價的變化會有50%的權重，由於房屋大小每增長一平米房價就會增長10k。線性迴歸是一個瞭解數據以及統計規律的很是強的工具，同理，邏輯迴歸也能夠給每一個特徵分配各自的權重，經過這個權重，咱們就能夠了解特徵的重要性。

5. 由於邏輯迴歸是學習神經元網絡很好的開始

當學習神經元網絡的時候，最開始學習的邏輯迴歸對我幫助很大。你能夠將網絡中的每一個神經元看成一個邏輯迴歸：它有輸入，有權重，和閾值，並能夠經過點乘，而後再應用某個非線性的函數獲得輸出。更多的是，一個神經元網絡的最後一層大多數狀況下是一個簡單的線性模型，看一下最基本的神經元網絡：

若是咱們更深刻地觀察一下output層，能夠看到這是一個簡單的線性（或者邏輯）迴歸，有hidden layer 2做爲輸入，有相應的權重，咱們能夠作一個點乘而後加上一個非線性函數（根據任務而定）。能夠說，對於神經元網絡，一個很是好的思考方式是：將NN劃分爲兩部分，一個是表明部分，一個是分類/迴歸部分。

第一部分（左側）嘗試從數據中學習並具備很好的表明性，而後它會幫助第二個部分（右側）來完成一個線性的分類或者回歸任務。

總結

成爲一個數據科學家你可能須要掌握不少知識，第一眼看上去，好像學習算法纔是最重要的部分。實際的狀況是：學習算法確實是全部狀況中最複雜的部分，須要花費大量的時間和努力來理解，但它也只是數據科學中的一個部分，把握總體更爲關鍵。