1. 从观察出发——回归问题
在统计学中,我们认为一个变量是服从某种理想分布的,称为理想变量。而为了获得理想变量的值,我们需要去观察这个世界,并得到观察数据,称为观察变量。观察变量与理想变量之间的函数关系被称为观察模型。
设观察数据为
x
i
∈
R
p
x_i \in R^p
xi∈Rp,理想数据为
y
i
∈
R
y_i \in R
yi∈R,观察模型为线性模型
y
i
=
x
i
T
β
+
η
i
(1)
y_i = x_i^T \beta + \eta_i \tag{1}
yi=xiTβ+ηi(1)
其中
β
∈
R
p
\beta \in R^p
β∈Rp为参数向量,
η
i
∈
R
\eta_i \in R
ηi∈R是独立同分布的随机变量。在应用中,
η
i
\eta_i
ηi代表观察噪声。且通常假定它服从正态(高斯)分布:
η
i
∼
N
(
0
,
σ
2
)
(2)
\eta_i \sim N(0, \sigma^2) \tag{2}
ηi∼N(0,σ2)(2)
上面的观察模型可以引出两个问题:
- 已知理想和观察变量 y i , x i y_i,x_i yi,xi,求模型参数 β , σ \beta,\sigma β,σ。这被称为参数估计(Paremeter Estimation)问题。
- 已知观察变量 x i x_i xi和模型参数 β , σ \beta,\sigma β,σ,求理想变量 y i y_i yi。这被称为回归(Regression)问题。如果观察模型是线性的,例如(1),则称为线性回归问题。
回归的概念非常宽泛,它泛指研究一组变量和另一组变量之间的关系的统计分析方法。考虑变量和参数之间的对称性,不难发现,参数估计也是回归问题。
2. 参数估计——也是回归问题
在统计学习中,参数估计是一个学习样本所蕴含信息的过程。而学习的结果,就是观察模型(包括最优参数)。
2.1 从物理直观出发
先考虑模型(1)下如何求解参数
β
\beta
β。从物理直观理解,参数
β
\beta
β应该使得观察变量
x
i
x_i
xi和
y
i
y_i
yi应当充分接近。写成数学表达,就是
min
β
∑
i
∥
y
i
−
x
i
T
β
∥
2
2
(3)
\min_{\beta} \sum_i \Vert y_i - x_i^T \beta \Vert_2^2 \tag{3}
βmini∑∥yi−xiTβ∥22(3)
写成矩阵形式,就是
min
β
∥
y
−
X
T
β
∥
2
2
(4)
\min_{\beta} \Vert y - X^T \beta \Vert_2^2 \tag{4}
βmin∥y−XTβ∥22(4)
其中矩阵
X
=
(
x
1
,
⋯
,
x
n
)
X = (x_1, \cdots, x_n)
X=(x1,⋯,xn), 向量
y
=
(
y
1
,
⋯
,
y
n
)
T
y = (y_1, \cdots, y_n)^T
y=(y1,⋯,yn)T,而
n
n
n为观察次数。当数据维度
p
≤
n
p \leq n
p≤n并且观察数据
x
i
x_i
xi线性无关(线性相关的
x
i
x_i
xi没有信息量,可以直接去掉),这就是经典的线性最小二乘问题,有唯一解。它的解可以通过对
β
\beta
β求微分直接得到
β
^
=
(
X
T
X
)
−
1
X
T
y
(5)
\hat{\beta} = (X^T X)^{-1} X^T y \tag{5}
β^=(XTX)−1XTy(5)
其中
(
X
T
X
)
−
1
X
T
(X^T X)^{-1} X^T
(XTX)−1XT称为矩阵
X
X
X的Moore-Penrose伪逆,记为
X
+
X^+
X+。
值得注意的是,当 p > n p > n p>n,这是一个欠定问题。也就是说已知条件不足,没有唯一解。如果非要求解,那么必须引入新的数据假设,称为先验(Prior)。先验来自对数据统计规律的抽象。这种加入先验的过程有一个学术名称:正则化(Regularization)。这种问题在应用中非常常见,在本文最后还会出现。
2.2 从贝叶斯推理的角度看
上面是从物理直观出发求解参数估计问题,下面我们从贝叶斯推理的角度看同样的问题。
贝叶斯推理的核心是三个概念:
- 先验。对应前面的观察数据 X X X(注意:不同于第1、3节先验的概念)。
- 条件概率。对应观察模型。
- 后验(posterior)。对应理想数据 y y y。
贝叶斯三要素与前面说的观察变量、观察模型、理想变量是一致的。但是观察模型是概率密度函数(p.d.f.)的形式:
p
(
y
∣
X
,
β
,
σ
2
)
∝
(
σ
2
)
−
n
/
2
exp
(
−
1
2
σ
2
(
y
−
X
β
)
T
(
y
−
X
β
)
)
(6)
p( y | X,\beta,\sigma^2) \propto (\sigma^2)^{-n/2} \exp (-\frac{1}{2\sigma^2} (y - X\beta)^T (y -X\beta)) \tag{6}
p(y∣X,β,σ2)∝(σ2)−n/2exp(−2σ21(y−Xβ)T(y−Xβ))(6)
这是一个略去了常数系数的多元高斯分布的概率密度函数。也就是说,贝叶斯理论假设观察变量
X
X
X也是服从高斯分布的(这个假设来自大数定律和中心极限定理),并且这个高斯分布的均值向量为
μ
=
X
β
\mu = X\beta
μ=Xβ,方差矩阵为
Σ
=
[
σ
2
σ
2
⋱
σ
2
]
=
σ
2
I
\Sigma = \left[\begin{matrix} \sigma^2 & & &\\ & \sigma^2 & &\\ & & &\ddots & \\ & & & & \sigma^2 \end{matrix}\right] = \sigma^2 I
Σ=⎣
⎡σ2σ2⋱σ2⎦
⎤=σ2I
这个高斯分布概率密度函数的完整形式为
p
(
y
∣
X
,
β
,
σ
2
)
=
1
(
2
π
)
n
∣
Σ
∣
exp
(
−
1
2
(
x
−
μ
)
T
Σ
−
1
(
x
−
μ
)
)
=
1
(
2
π
σ
2
)
n
exp
(
−
1
2
σ
2
(
x
−
μ
)
T
(
x
−
μ
)
)
∝
(
σ
2
)
−
n
/
2
exp
(
−
1
2
σ
2
(
y
−
X
β
)
T
(
y
−
X
β
)
)
(7)
\begin{aligned} p( y | X,\beta,\sigma^2)& = \frac{1}{\sqrt{ (2\pi)^n \vert \Sigma \vert}} \exp (-\frac{1}{2} (x-\mu)^T \Sigma^{-1}(x-\mu )) \\ & = \frac{1}{\sqrt{ (2\pi \sigma^2)^n }} \exp (-\frac{1}{2\sigma^2} (x-\mu)^T (x-\mu)) \\ & \propto (\sigma^2)^{-n/2} \exp (-\frac{1}{2\sigma^2} (y - X\beta)^T (y -X\beta)) \end{aligned} \tag{7}
p(y∣X,β,σ2)=(2π)n∣Σ∣1exp(−21(x−μ)TΣ−1(x−μ))=(2πσ2)n1exp(−2σ21(x−μ)T(x−μ))∝(σ2)−n/2exp(−2σ21(y−Xβ)T(y−Xβ))(7)
其中表达式
(
x
−
μ
)
T
Σ
−
1
(
x
−
μ
)
\sqrt{(x-\mu)^T \Sigma^{-1}(x-\mu )}
(x−μ)TΣ−1(x−μ)称为Mahalanobis距离,度量观察变量
x
x
x与均值
μ
\mu
μ的相似性。
当
X
,
y
X, y
X,y已知,通过求
p
p
p的极值点,可以求解出最优参数
β
\beta
β和
σ
\sigma
σ:
max
β
,
σ
p
(
β
,
σ
2
∣
y
,
X
)
(8)
\max_{\beta, \sigma} p( \beta,\sigma^2 | y, X) \tag{8}
β,σmaxp(β,σ2∣y,X)(8)
它等价于
max
β
,
σ
log
p
(
β
,
σ
2
∣
y
,
X
)
(9)
\max_{\beta, \sigma} \log p( \beta,\sigma^2 | y, X) \tag{9}
β,σmaxlogp(β,σ2∣y,X)(9)
由于优化的是概率密度函数,这个过程称为期望最大化(Expectation Maximization, EM)。
现在我们仅考虑对
β
\beta
β的偏导,则(9)的最大化等价于一个最小化问题
min
β
(
x
−
μ
)
T
(
x
−
μ
)
(10)
\min_{\beta} (x-\mu)^T (x-\mu) \tag{10}
βmin(x−μ)T(x−μ)(10)
这个问题就是(3),也就是我们通过物理直观得到的最小化模型。这说明了从贝叶斯角度看来,最优参数估计模型与物理直观一致。
贝叶斯推理是回归分析的一般方法。在贝叶斯框架下,观察变量服从什么样的概率分布决定了观察模型。进而决定了回归分析的具体优化模型。
3. 观察模型的应用——还是回归问题
当我们学习好了参数
β
,
σ
\beta, \sigma
β,σ,有了观察模型和观察变量
X
X
X,对于理想变量
y
y
y的计算还是回归问题。这时,从物理直观出发,我们可以得到
y
y
y应当满足
min
y
∥
y
−
X
β
∥
2
2
(11)
\min_y \Vert y - X\beta \Vert_2^2 \tag{11}
ymin∥y−Xβ∥22(11)
从贝叶斯推理的角度出发,仿照上一节参数估计的方法,我们最终会得到同样的优化模型。
我们会发现一个非常有意思的结论:
- 参数估计是统计学习中从数据学习知识的过程。这种知识我们通常又称为先验。注意这里的“先验”与贝叶斯推理中的“先验”不一样。那个先验是指观察数据。而这里的先验是指蕴含在观察数据和观察模型中的知识。
- 观察模型应用是应用观察数据、观察模型和先验恢复理想数据的过程。
- 参数估计和观察模型应用的数学本质竟然是一样的——回归。
从数据学习模型,用模型恢复数据。这就是统计学习,或者机器学习,要干的两件事。这两件事,对应着我们开始提出了两个问题:参数估计和变量回归。
4. 正则化逆问题
仔细看(11),不禁让人想,这有什么好算的呢? y = X β y = X \beta y=Xβ多么明显。这体现了观察数据 X X X对理想数据 y y y的约束。可是仔细回过头去看观察模型(1),你会发现少了一项:噪声 η \eta η。在“观察”过程中,噪声的出现不可避免,因此 y = X β y = X \beta y=Xβ不能得到最优的解。这也表明,用标准的高斯概率密度函数建模不能很好解决这个问题。
我们在求解过程中,还必须考虑
y
y
y本身有什么性质,并体现在模型中。也就是在优化模型中添加一个先验函数
p
(
y
)
p(y)
p(y),从而
min
y
∥
y
−
X
β
∥
2
2
+
p
(
y
)
(12)
\min_y \Vert y - X\beta \Vert_2^2 + p(y) \tag{12}
ymin∥y−Xβ∥22+p(y)(12)
新的优化模型:数据项+先验函数
p
(
y
)
p(y)
p(y)对应着新的概率密度函数,不难推出,它是在高斯概率密度的指数上修改而来。
我们可以用这个新的概率密度函数去做参数估计,从而得到 p ( y ) p(y) p(y)的具体表达式。当然, p ( y ) p(y) p(y)也可以由统计经验来人工设计。但有一个结论是不变的:从贝叶斯的角度看,任何数据项+先验函数都对应着一个概率密度函数。
而优化模型的改进过程也就是前面提到过的正则化;问题(12)称为模型(1)的正则化逆问题。