简单易学的机器学习算法——极限学习机(ELM)

一、极限学习机的概念

    极限学习机(Extreme Learning Machine) ELM，是由黄广斌提出来的求解单隐层神经网络的算法。

    ELM最大的特点是对于传统的神经网络，尤其是单隐层前馈神经网络(SLFNs)，在保证学习精度的前提下比传统的学习算法速度更快。

二、极限学习机的原理

ELM是一种新型的快速学习算法，对于单隐层神经网络，ELM 可以随机初始化输入权重和偏置并得到相应的输出权重。

(选自黄广斌老师的PPT)

对于一个单隐层神经网络(见Figure 1)，假设有个任意的样本，其中，。对于一个有个隐层节点的单隐层神经网络可以表示为

其中，为激活函数，为输入权重，为输出权重，是第个隐层单元的偏置。表示和的内积。

     单隐层神经网络学习的目标是使得输出的误差最小，可以表示为

即存在，和，使得

可以矩阵表示为

其中，是隐层节点的输出，为输出权重，为期望输出。

，

为了能够训练单隐层神经网络，我们希望得到，和，使得

其中，，这等价于最小化损失函数

传统的一些基于梯度下降法的算法，可以用来求解这样的问题，但是基本的基于梯度的学习算法需要在迭代的过程中调整所有参数。而在ELM算法中, 一旦输入权重和隐层的偏置被随机确定，隐层的输出矩阵就被唯一确定。训练单隐层神经网络可以转化为求解一个线性系统。并且输出权重可以被确定

其中，是矩阵的Moore-Penrose广义逆。且可证明求得的解的范数是最小的并且唯一。

三、实验

    我们使用 《简单易学的机器学习算法——Logistic回归》中的实验数据。

原始数据集

我们采用统计错误率的方式来评价实验的效果，其中错误率公式为：

对于这样一个简单的问题，。

MATLAB代码

主程序

[plain] view plain copy

1. %% 主函数，二分类问题  
2.   
3. %导入数据集  
4. A = load('testSet.txt');  
5.   
6. data = A(:,1:2);%特征  
7. label = A(:,3);%标签  
8.   
9. [N,n] = size(data);  
10.   
11. L = 100;%隐层节点个数  
12. m = 2;%要分的类别数  
13.   
14. %--初始化权重和偏置矩阵  
15. W = rand(n,L)*2-1;  
16. b_1 = rand(1,L);  
17. ind = ones(N,1);  
18. b = b_1(ind,:);%扩充成N*L的矩阵  
19.   
20. tempH = data*W+b;  
21. H = g(tempH);%得到H  
22.   
23. %对输出做处理  
24. temp_T=zeros(N,m);  
25. for i = 1:N  
26.     if label(i,:) == 0  
27.         temp_T(i,1) = 1;  
28.     else   
29.         temp_T(i,2) = 1;  
30.     end      
31. end  
32. T = temp_T*2-1;  
33.   
34. outputWeight = pinv(H)*T;  
35.   
36. %--画出图形  
37. x_1 = data(:,1);    
38. x_2 = data(:,2);    
39. hold on    
40. for i = 1 : N    
41.     if label(i,:) == 0    
42.         plot(x_1(i,:),x_2(i,:),'.g');    
43.     else    
44.         plot(x_1(i,:),x_2(i,:),'.r');    
45.     end    
46. end  
47.   
48. output = H * outputWeight;  
49. %---计算错误率  
50. tempCorrect=0;  
51. for i = 1:N  
52.     [maxNum,index] = max(output(i,:));  
53.     index = index-1;  
54.     if index == label(i,:);  
55.         tempCorrect = tempCorrect+1;  
56.     end  
57. end  
58.   
59. errorRate = 1-tempCorrect./N;  

激活函数

[plain] view plain copy

1. function [ H ] = g( X )  
2.     H = 1 ./ (1 + exp(-X));  
3. end  

黄老师提供的极限学习机的代码：点击打开链接