看了一半左右的stanford的machine learning公开课视频,做了一下练习题,重新搜了一下matlab的语法,
看了附带的讲义,终于在Octave下实现了梯度下降法的线性回归 .
线性回归假设特征和目标值满足线性关系。//y=ax+b 例如:房间的面积和房间价格成正比。
其实线性关系的表达能力非常强大,每个特征对结果的影响强弱可以由权重参数体现,而且每个特征变量可以先转换到一个与目标成线性关系的变量,然后再参与线性计算。这样就可以表达特征与结果之间的非线性关系。 // 例如:房间面积s在低于50平米和超过100平米之后对价格的影响会减弱,那可以用sigmoid函数映射到 s*=1/(1+e^(-((x-50)/10))
我们用x1,x2...xn 去描述feature里面的分量,比如x1=房间的面积,x2=房间的朝向,等等,我们可以做出一个估计函数:
θ在这儿称为参数,在这的意思是调整feature中每个分量的影响力,就是到底是房屋的面积更重要还是房屋的地段更重要。如果我们令x0 = 1,就可以用向量的方式来表示了:
我们程序也需要一个机制去评估我们θ是否比较好,所以说需要对我们做出的h函数进行评估,一般这个函数称为损失函数(loss function)或者错误函数(error function),描述h函数不好的程度,在下面,我们称这个函数为J函数
一般可以定义损失函数如下:
xi,yi都是已知的观察数据,J是关于要计算的theta的函数
下图是J在不同的θ0和θ1值下的函数图(xi,yi为已知特定的数据集):
这个错误估计函数是去对这个错误估计函数是去对x(i)的估计值与真实值y(i)差的平方和作为错误估计函数,前面乘上的1/2是为了在求导的时候更规整,求导后系数为1。
至于为何选择平方和作为错误估计函数,讲义后面从概率分布的角度讲解了该公式的来源。
如何调整θ以使得J(θ)取得最小值有很多方法,其中有最小二乘法(min square,一种用矩阵求解的方法)和梯度下降法。
5 梯度下降法
在选定线性回归模型后,只需要确定参数θ,就可以将模型用来预测。然而θ需要在J(θ)最小的情况下才能确定。因此问题归结为求极小值问题,使用梯度下降法。梯度下降法最大的问题是求得有可能是全局极小值,这与初始点的选取有关。
梯度下降法是按下面的流程进行的:
1)首先对θ赋值,这个值可以是随机的,也可以让θ是一个全零的向量。
2)改变θ的值,使得J(θ)按梯度下降的方向进行减少。
梯度方向由J(θ)对θ的偏导数确定,由于求的是极小值,因此梯度方向是偏导数的反方向。结果为
(加号右边部分为负的偏导数)。
迭代更新的方式有两种,一种是批梯度下降,也就是对全部的训练数据求得误差后再对θ进行更新,另外一种是增量梯度下降,每扫描一步都要对θ进行更新。前一种方法能够不断收敛,后一种方法结果可能不断在收敛处徘徊。
一般来说,梯度下降法收敛速度还是比较慢的。
另一种直接计算结果的方法是最小二乘法。
————————————————————————————————————————————————————————
看了下时间,刚好是凌晨3:13,我在大学时的寝室门牌